FieldPhenotypingImagingSystem - это высокопроизводительный инструмент для получения, анализа и оценки поверхностных характеристик растений, способный предоставлять данные о росте, развитии и состоянии здоровья растений. Системы визуализации поверхности помогают исследователям проводить точный поверхностный анализ растений, собирая большое количество данных изображений в сочетании с компьютерным зрением и технологией обработки изображений.
Методы извлечения поверхностных данных о полевых растениях обычно включают в себя несколько этапов сбора изображений, предварительной обработки данных, извлечения характеристик и анализа данных. Ниже приведены общие методы извлечения, используемые в полевых системах визуализации поверхности растений.
1. Сбор изображений
Во - первых, для получения изображений полевых растений используется специальное оборудование для получения изображений. Эти устройства визуализации могут быть:
Камера видимого света: используется для съемки естественного цвета и формы растений, часто используемых для простого морфологического анализа.
Инфракрасная камера: используется для захвата тепловых характеристик растений и помогает оценить состояние воды растений, вредителей и болезней.
Изображение в ближней инфракрасной области спектра (NIR): используется для получения информации о содержании влаги в листьях растений, уровне азота и т.д.
Многоспектральные камеры: спектральные изображения на разных длинах волн для оценки состояния здоровья растений, обнаружения заболеваний и т.д.
Гиперспектральная камера: обеспечивает более точную спектральную информацию, которая распознает больше физиологических характеристик растений, таких как химический состав листьев, состояние роста растений и так далее.
Лазерные сканеры: используются для получения трехмерных структурных данных растений, которые помогают анализировать пространственные характеристики, такие как размер и форма растений.
2. Предварительная обработка данных
Полученные исходные данные изображений обычно содержат шумовые, неполные или непоследовательные части, которые требуют предварительной обработки данных. Эти шаги способствуют повышению точности последующего анализа:
Устранение шума: удаление шума из изображения с помощью фильтра (например, медианного, гауссового и т.д.).
Улучшение изображения: улучшенная обработка изображения, такая как корректировка контрастности, обработка резкости и т. Д., Чтобы сделать растительные характеристики изображения более заметными.
Коррекция изображения: включает в себя геометрическую коррекцию, коррекцию цвета и т. Д. Для обеспечения точности пространственной и цветовой информации изображения.
Разделение изображений: растения отделяются от фона с помощью таких методов, как пороговое, краевое обнаружение или глубокое обучение, для последующего извлечения характеристик.
3. Извлечение признаков
Извлечение признаков является ключевым этапом в системе визуализации поверхности, направленной на извлечение из изображений характеристик, связанных с ростом и здоровьем растений. К ним относятся, в частности:
3.1 Морфологические особенности растений
Высота растения: состояние его роста оценивается путем измерения максимальной высоты растения на изображении.
Площадь листьев: Расчет общей площади листьев растения, как правило, можно получить с помощью разделенной области листьев.
Корневая форма: анализ корневой структуры растений с помощью 3D - изображений или рентгеновского КТ - сканирования.
Количество разветвлений: оценка роста растений путем анализа разветвленной структуры растений.
Форма лезвия: анализирует отношение длины и ширины лезвия, кривизну края, гладкость поверхности и так далее.
3.2 Цветовые характеристики
Цвет растения может отражать его состояние роста, особенно уровень питательных веществ и влаги. Часто используемые цветовые характеристики включают:
Содержание хлорофилла: Рассчитывая яркость зеленой зоны, рассчитайте содержание хлорофилла в листьях растений и затем оцените фотосинтез растений.
Индекс здоровья растений: Используя RGB - изображения растений для расчета индекса здоровья растений (например, NDVI, нормализованный индекс растительного покрова), чтобы судить о состоянии здоровья растений.
Содержание влаги: Оценка водного состояния растений с помощью различий в изображениях ближнего инфракрасного и видимого света.
3.3 Трехмерные структурные характеристики
Размер и площадь растения: расчет трехмерной формы растения с использованием технологии 3D - изображения (например, лазерного сканера или стереоскопического зрения) для оценки его пространственной структуры и состояния роста.
Кривизна и поверхностные характеристики лезвия: детали поверхности лезвия извлекаются из данных трехмерного сканирования для оценки его состояния здоровья.
3.4 Динамика роста
Скорость роста: расчет скорости роста растений, роста ветвей и площади листьев с помощью данных изображений в несколько временных точек.
Увеличение веса растений: в сочетании с внешними измерениями (например, весом растений) для проверки и дополнения данных изображения для оценки состояния роста растений.
4. Анализ и моделирование данных
Полученные характерные данные требуют углубленного анализа с помощью методов анализа и моделирования данных для получения ценных биологических выводов.
Статистический анализ: анализ влияния различных процессов на рост растений с помощью методов статистики данных (например, регрессионный анализ, дисперсионный анализ и т.д.).
Машинное обучение и глубокое обучение: использование алгоритмов машинного обучения (например, поддерживающих векторные машины, случайные леса, сверточные нейронные сети и т. Д.) для классификации, регрессионного анализа или прогнозирования фенотипических характеристик растений.
Анализ фенотипической корреляции: изучение взаимосвязи между генами растений и фенотипами посредством анализа корреляции с генетической информацией, чтобы выявить механизмы роста растений.
Часто используемые инструменты и программное обеспечение для экстракции форм
OpenCV: мощная библиотека компьютерного зрения с открытым исходным кодом, широко используемая для предварительной обработки изображений, извлечения характеристик и анализа.
ImageJ: Программное обеспечение для обработки изображений с открытым исходным кодом, часто используемое для анализа биологических изображений, поддерживает несколько плагинов.
MATLAB: предоставляет мощный набор инструментов для обработки изображений и анализа данных, подходящий для обработки и моделирования поверхностных данных растений.
Phenovator - программное обеспечение для поверхностного анализа растений, способное обрабатывать и анализировать данные изображений растений в полевых экспериментах.
DeepLabCut - инструмент отслеживания движения на основе глубокого обучения, часто используемый для анализа роста и движения растений.
6. Резюме
Метод извлечения полевых систем визуализации поверхности растений, собирая данные изображений в сочетании с методами обработки изображений и машинного обучения, может извлекать различные характеристики, такие как форма, цвет и трехмерная структура растений, что обеспечивает важную поддержку для оценки состояния роста растений, генетических исследований, селекции и т. Д. По мере развития технологий обработки изображений и сенсорных технологий точность и сфера применения систем визуализации поверхности также продолжают расширяться.