Das FieldPhenotyping ImagingSystem ist ein leistungsstarkes Werkzeug zur Erfassung, Analyse und Bewertung der phänotypischen Merkmale von Pflanzen, das Daten über das Wachstum, die Entwicklung und den Gesundheitszustand von Pflanzen liefert. Phänotyp Imaging-Systeme helfen Forschern bei der präzisen Phänotypanalyse von Pflanzen, indem sie große Mengen an Bilddaten erfassen und Computer-Vision und Bildverarbeitungstechniken kombinieren.
Die Methoden zur Extraktion von Phänotypdaten von Feldpflanzen umfassen in der Regel mehrere Schritte wie die Bilderfassung, die Datenvorbearbeitung, die Extraktion von Merkmalen und die Datenanalyse. Im Folgenden sind die gängigen Extraktionsmethoden in phänotypischen Bildgebungssystemen für Feldpflanzen aufgeführt.
1. Bilderfassung
Zunächst verwenden Sie spezielle Bildgeräte, um Bilddaten von Feldpflanzen zu erhalten. Diese Bildgeräte können:
Sichtbare Lichtkamera: zur Aufnahme natürlicher Farben und Formen von Pflanzen, häufig für einfache morphologische Analysen verwendet.
Infrarotkamera: zur Erfassung der thermischen Eigenschaften von Pflanzen, um den Wasserzustand der Pflanzen, Krankheiten und Schädlinge zu beurteilen.
Nahe-Infrarot-Bildgebung (NIR): zur Erfassung von Informationen über den Feuchtigkeitsgehalt, den Stickstoffgehalt usw. von Pflanzenblättern.
Multispektrale Kamera: Durch spektrale Bilder mit verschiedenen Wellenlängen wird der Gesundheitszustand der Pflanzen, die Erkennung von Krankheiten usw. bewertet.
Hochspektrale Kamera: bietet präzisere spektrale Informationen, um mehr physiologische Merkmale von Pflanzen wie die chemische Zusammensetzung der Blätter, den Wachstumszustand der Pflanze usw. zu erkennen.
Laserscanner: Verwendet zur Erfassung dreidimensionaler Strukturdaten von Pflanzen, um die Analyse von räumlichen Merkmalen wie Größe und Form der Pflanze zu unterstützen.
2. Datenverarbeitung
Die erhaltenen Rohbilddaten enthalten in der Regel Lärm, unvollständige oder inkonsistente Teile und erfordern daher eine Datenvorverarbeitung. Diese Schritte tragen dazu bei, die Genauigkeit der nachfolgenden Analyse zu verbessern:
Geräuschentfernung: Verwenden Sie Filter (z. B. Mittelwertfilter, Gaussian Filter usw.), um Geräusche aus dem Bild zu entfernen.
Verbesserte Bildverarbeitung: Verbesserte Bildverarbeitung, wie z. B. Kontrastanpassung, Schärferverarbeitung usw., um die Pflanzenzeichen im Bild noch deutlicher zu machen.
Bildkorrektur: einschließlich geometrischer Korrektur, Farbkorrektur usw., um sicherzustellen, dass die Raum- und Farbinformationen des Bildes genau sind.
Bildaufteilung: Trennen Sie die Pflanze vom Hintergrund durch Methoden wie Schwellenwertung, Randerkennung oder Deep Learning, um die nachfolgenden Merkmale zu extrahieren.
3. Eigenschaften Extraktion
Die Extraktion von Merkmalen ist ein entscheidender Schritt im phänotypischen Bildgebungssystem, um Merkmale aus Bildern zu extrahieren, die mit dem Wachstum und der Gesundheit der Pflanzen zusammenhängen. Diese Merkmale umfassen, aber sind nicht beschränkt auf:
3.1 Merkmale der Pflanze
Pflanzenhöhe: Der Wachstumszustand der Pflanze wird durch die Messung der maximalen Höhe aus dem Bild bewertet.
Blattfläche: Die Gesamtfläche der Blätter einer Pflanze wird berechnet und kann in der Regel durch die aufgeteilte Blattfläche ermittelt werden.
Wurzelstruktur: Verwenden Sie 3D-Bildgebungstechniken oder Röntgen-CT-Scans, um die Wurzelstruktur einer Pflanze zu analysieren.
Anzahl der Zweige: Durch die Analyse der Zweigstruktur der Pflanze wird das Wachstum der Pflanze bewertet.
Blattform: Analyse des Blattlängenverhältnisses, der Randkrümmung, der Oberflächenglättigkeit usw.
3.2 Eigenschaften der Farbe
Die Farbe der Pflanze spiegelt ihren Wachstumszustand wider, insbesondere den Nährstoff- und Feuchtigkeitsspiegel. Häufig verwendete Farbmerkmale sind:
Chlorophyllgehalt: Berechnen Sie den Chlorophyllgehalt der Blätter durch Berechnung der Helligkeit der Grünfläche und bewerten Sie anschließend die Fähigkeit der Pflanze zur Photosynthese.
Pflanzengesundheitsindex: Berechnen Sie den Pflanzengesundheitsindex (z. B. NDVI, Normalisierter Vegetationsindex) mit RGB-Bildern von Pflanzen, um den Gesundheitszustand der Pflanze zu beurteilen.
Feuchtigkeitsgehalt: Der Feuchtigkeitszustand der Pflanze wird durch Unterschiede in Nahinfrarot- und sichtbaren Lichtbildern geschätzt.
3.3 Dreidimensionale Strukturmerkmale
Größe und Fläche der Pflanze: Berechnen Sie die dreidimensionale Form der Pflanze mit 3D-Bildgebungstechniken wie Laserscannern oder Stereo-Vision und bewerten Sie ihre räumliche Struktur und ihren Wachstumszustand.
Krümmung und Oberflächenmerke der Klingen: Extrahieren Sie die Oberflächendetails der Klingen durch 3D-Scandaten und bewerten Sie ihren Gesundheitszustand.
3.4 Wachstumsdynamik
Wachstumsrate: Berechnen Sie die Wachstumsrate der Pflanze, das Zweig- und Blätterflächenwachstum usw. mit Bilddaten von mehreren Zeitpunkten.
Pflanzengewicht: Kombinieren Sie externe Messungen wie das Pflanzengewicht, um Bilddaten zu validieren und zu ergänzen, um den Wachstumszustand der Pflanze zu bewerten.
4. Datenanalyse und Modellierung
Die extrahierten charakteristischen Daten erfordern eine gründliche Analyse durch Datenanalyse und Modellierungsmethoden, um wertvolle biologische Schlussfolgerungen zu ziehen.
Statistische Analyse: Die Auswirkungen verschiedener Behandlungen auf das Pflanzenwachstum werden durch statistische Methoden (z. B. Regressionsanalyse, Varianzanalyse usw.) analysiert.
Maschinelles Lernen und Deep Learning: Verwenden Sie maschinelles Lernen-Algorithmen (z. B. unterstützte Vektormaschinen, zufällige Wälder, konvolutive neuronale Netzwerke usw.) zur Klassifizierung, Regressionsanalyse oder Vorhersage von Phänotypen von Pflanzen.
Phänotyp-Assoziationsanalyse: Durch die Assoziationsanalyse mit genetischen Informationen wird die Beziehung zwischen Pflanzengenen und Phänotypen untersucht, um die Wachstumsmechanismen der Pflanzen aufzudecken.
5. Häufig verwendete Phänotype Extraktion Werkzeuge und Software
OpenCV: Eine leistungsstarke Open-Source-Computer-Vision-Bibliothek, die weit verbreitet ist für die Vorverarbeitung von Bildern, die Extraktion von Merkmalen und die Analyse.
ImageJ: Eine Open-Source-Bildverarbeitungssoftware, die häufig für die biologische Bildanalyse verwendet wird und mehrere Plugins unterstützt.
MATLAB: bietet leistungsstarke Bildverarbeitungs- und Datenanalysewerkzeuge für die Verarbeitung und Modellierung von Phänotypdaten von Pflanzen.
Phenovator: Eine Software für die Phänotypanalyse von Pflanzen, die in der Lage ist, Pflanzenbilddaten aus Feldversuchen zu verarbeiten und zu analysieren.
DeepLabCut: Ein Deep-Learning-basiertes Bewegungs-Tracking-Tool, das häufig für Pflanzenwachstums- und Bewegungsanalysen verwendet wird.
6. Zusammenfassung
Durch die Erfassung von Bilddaten und die Kombination von Bildverarbeitung und maschinellem Lernen können verschiedene Merkmale der Pflanzen wie Form, Farbe, dreidimensionale Struktur extrahiert werden, was eine wichtige Unterstützung für die Beurteilung des Wachstumszustands der Pflanzen, die genetische Forschung, die Zucht usw. bietet. Mit der kontinuierlichen Entwicklung der Bildverarbeitungs- und Sensortechnik erweitern sich auch die Genauigkeit und der Anwendungsbereich der phänotypischen Bildgebungssysteme.