Hiphen高分辨率RGB相機(jī)在植物表型莖識(shí)別實(shí)驗(yàn)中的應(yīng)用

作為先進(jìn)的室外表型和近地遙感設(shè)備供應(yīng)商，專(zhuān)注于為第四次農(nóng)業(yè)革命提供精準(zhǔn)農(nóng)業(yè)和表型研究一站式解決方案的Hiphen公司，剝離在法國(guó)農(nóng)業(yè)科學(xué)院，依托其強(qiáng)大科研實(shí)力開(kāi)啟暴力發(fā)文章以及市場(chǎng)推廣模式，最近發(fā)表的文章參見(jiàn)下文，我們會(huì)陸續(xù)對(duì)文章進(jìn)展進(jìn)行更新。北京博普特科技有限公司作為Hiphen總代理，全面負(fù)責(zé)其系列產(chǎn)品在中國(guó)的市場(chǎng)的推廣、銷(xiāo)售和售后服務(wù)。
 

文章題為High-Throughput Measurements of Stem Characteristics to Estimate Ear Density and Above-Ground Biomass，即用于估計(jì)穗密度和地上生物量的莖特征高通量測(cè)量方法。
 

Plant Phenomics刊發(fā)了由法國(guó)國(guó)家農(nóng)業(yè)科學(xué)研究院（INRA、Hiphen公司）和中國(guó)農(nóng)業(yè)科學(xué)院作物研究所金秀良博士等人撰寫(xiě)的題為High-Throughput Measurements of Stem Characteristics to Estimate Ear Density and Above-Ground Biomass的研究論文，介紹了用于估計(jì)穗密度和地上生物量的莖特征高通量測(cè)量方法。

 

小麥?zhǔn)斋@時(shí)的地上總生物量和穗密度是表征小麥基因型的兩個(gè)重要性狀。本文通過(guò)在兩個(gè)不同的地點(diǎn)進(jìn)行兩項(xiàng)試驗(yàn)，對(duì)比在不同的灌溉和氮肥處理下幾種小麥基因型的生長(zhǎng)。采用高分辨率的RGB相機(jī)，對(duì)收獲過(guò)程中聯(lián)合收割機(jī)收割后的直立殘莖進(jìn)行成像。高分辨率RGB相機(jī)提供了超過(guò)0.2毫米的地面空間分辨率。
 

Visual stem identification. Each stem identified corresponds to a green bounding box.

首先訓(xùn)練了一個(gè)快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster-RCNN)深度學(xué)習(xí)模型來(lái)識(shí)別莖的橫截面。結(jié)果表明，該識(shí)別方法的查準(zhǔn)率和查全率接近95%。
 

Application of the stem detection using Faster-RCNN algorithm to an image extract in Gréoux. Each yellow bounding box corresponds to the identified stem and is associated with its score corresponding to the probability of containing a stem.
 

此外，使用查準(zhǔn)率和查全率之間的平衡值可以獲得莖密度的準(zhǔn)確估計(jì)，相對(duì)均方根誤差（RMSE）接近7%，并且在兩個(gè)實(shí)驗(yàn)地點(diǎn)均存在穩(wěn)健性。而且，將估計(jì)的莖密度與使用傳統(tǒng)田間測(cè)量方法測(cè)得的穗密度進(jìn)行了比較。結(jié)果表明，莖密度與穗密度之間的相關(guān)性非常高，幾乎沒(méi)有偏差，說(shuō)明莖密度可以很好地反映穗密度。其中一個(gè)試驗(yàn)對(duì)16個(gè)基因型的遺傳力/可重復(fù)性評(píng)估略高于（80%）對(duì)穗密度(78%)的評(píng)估。每根莖的直徑是根據(jù)莖橫截面提取物的灰度輪廓值來(lái)計(jì)算的。結(jié)果表明，莖直徑在每個(gè)微區(qū)上呈伽馬分布，平均直徑接近2.0mm。最后，以平均莖直徑、莖密度和株高之間的乘積計(jì)算出的生物體積與收獲時(shí)的地上生物量密切相關(guān)，相對(duì)均方根誤差（RMSE）為6%。最后討論了研究結(jié)果和未來(lái)應(yīng)用可能存在的局限性。
 

本研究表明，利用深度學(xué)習(xí)方法分析RGB圖像，可以對(duì)收獲后的莖進(jìn)行識(shí)別。這需要足夠的空間分辨率，即0.2毫米左右，因?yàn)榍o的直徑在2.0毫米左右。這是為了確保在圖像中要識(shí)別的對(duì)象由最佳像素?cái)?shù)組成，即識(shí)別對(duì)象由40到120個(gè)像素表示。如此高的分辨率可以使用固定在桿子上、車(chē)上、移動(dòng)表型平臺(tái)（phenomobile）上的高分辨率RGB相機(jī)來(lái)實(shí)現(xiàn)，甚至可以在低空飛行無(wú)人機(jī)（UVA）上加裝高分辨率RGB相機(jī)來(lái)實(shí)現(xiàn)�；蛘撸�可以在聯(lián)合收割機(jī)上安裝一組RGB相機(jī)，并提供近乎實(shí)時(shí)地莖密度估計(jì)。
 

本文所提供的方法要求莖不被聯(lián)合收割機(jī)排出的秸稈覆蓋。此外，由于收割過(guò)程或一些收割后的活動(dòng)導(dǎo)致的過(guò)于傾斜的莖可能會(huì)造成識(shí)別性能下降，因?yàn)榍o頂?shù)慕孛鎸⒉粫?huì)被相機(jī)拍到，或?qū)��?huì)拍到嚴(yán)重變形的莖截面。而且，該方法可能不適用于莖倒伏的情況，在這種情況下莖部將會(huì)顯示意料外的圖案。雖然如此，但是由于要識(shí)別的對(duì)象相對(duì)簡(jiǎn)單，這就表明了使用本研究中的數(shù)據(jù)訓(xùn)練出的快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster-RCNN)模型將是穩(wěn)健的。光照條件的變化可能對(duì)莖的識(shí)別影響不大，因?yàn)閷?duì)象的識(shí)別主要是由像素的相對(duì)亮度決定的，顏色本身帶來(lái)的信息很少。因此，本文證明了莖密度可以用高通量方法獲得，該方法具有相對(duì)較低的成本和非常好的準(zhǔn)確性。此外，大面積取樣以估計(jì)莖密度的能力將使微區(qū)中空間變化的影響最小化。盡管其他研究中證出類(lèi)似的深度學(xué)習(xí)技術(shù)可以有效地應(yīng)用于估計(jì)穗密度，但是穗的識(shí)別仍然是很復(fù)雜的，造成這種情況的原因有兩方面，一是因?yàn)槠贩N和環(huán)境之間的相互作用造成穗部具有嚴(yán)重差異，二是因?yàn)轫敳克牖蝽敳咳~片造成部分穗的遮蔽。本文在這項(xiàng)研究中證明，盡管在特定的環(huán)境條件下莖密度與穗密度會(huì)有一些差異，但莖密度是非常接近的穗密度的代替參數(shù)。在這些情況下，莖的直徑分布可能會(huì)提供必要的信息，以便從莖密度和直徑分布中更好地估計(jì)穗密度。
 

本文證明了，一旦確定了莖，直徑可以很容易地測(cè)量出來(lái)。莖直徑分布服從平均直徑接近2.0mm的伽馬函數(shù)。莖直徑的分布可以表明分蘗群的結(jié)構(gòu)，其受遺傳控制，同時(shí)與播種密度、模式以及植物生長(zhǎng)的環(huán)境條件之間的相互作用有關(guān)。最后，以平均莖直徑、莖密度和株高之間的乘積計(jì)算出的生物體積被證明是與地上生物量緊密相關(guān)的代替參數(shù)。假設(shè)產(chǎn)量無(wú)論如何都要測(cè)量的話，這種方法對(duì)育種家來(lái)說(shuō)具有非常誘人的潛力，使他們能夠在收獲時(shí)得到植物總生物量的高通量估計(jì)，并可能用來(lái)量化光能利用效率和產(chǎn)量指數(shù)。雖然如此，仍應(yīng)該在更多的情況下驗(yàn)證這些有前景的結(jié)果，以驗(yàn)證不同環(huán)境條件以及基因型情況下的相關(guān)性。
 

How to Cite this Article
 

Xiuliang Jin, Simon Madec, Dan Dutartre, Benoit de Solan, Alexis Comar, and Frédéric Baret, “High-Throughput Measurements of Stem Characteristics to Estimate Ear Density and Above-Ground Biomass,” Plant Phenomics, vol. 2019, Article ID 4820305, 10 pages, 2019. https://doi.org/10.34133/2019/4820305.

High-Throughput Measurements of Stem Characteristics to Estimate Ear Density and Above-Ground Biomass

Abstract

Total above-ground biomass at harvest and ear density are two important traits that characterize wheat genotypes. Two experiments were carried out in two different sites where several genotypes were grown under contrasted irrigation and nitrogen treatments. A high spatial resolution RGB camera was used to capture the residual stems standing straight after the cutting by the combine machine during harvest. It provided a ground spatial resolution better than 0.2 mm. A Faster Regional Convolutional Neural Network (Faster-RCNN) deep-learning model was first trained to identify the stems cross section. Results showed that the identification provided precision and recall close to 95%. Further, the balance between precision and recall allowed getting accurate estimates of the stem density with a relative RMSE close to 7% and robustness across the two experimental sites. The estimated stem density was also compared with the ear density measured in the field with traditional methods. A very high correlation was found with almost no bias, indicating that the stem density could be a good proxy of the ear density. The heritability/repeatability evaluated over 16 genotypes in one of the two experiments was slightly higher (80%) than that of the ear density (78%). The diameter of each stem was computed from the profile of gray values in the extracts of the stem cross section. Results show that the stem diameters follow a gamma distribution over each microplot with an average diameter close to 2.0 mm. Finally, the biovolume computed as the product of the average stem diameter, the stem density, and plant height is closely related to the above-ground biomass at harvest with a relative RMSE of 6%. Possible limitations of the findings and future applications are finally discussed.