植物叶片可视化研究综述

施俊林 彭军

摘要：当前，农业科学的信息化程度不断深入，植物叶片可视化研究一直在不断发展，但投入到实际应用中的仍然为少数，本文通过对近10a有关学者对植物叶片可视化的研究方法和可视化效果进行总结梳理，得出当前该领域发展进程以及需要进一步明确的问题。通过对一些研究方法进行总结分析，对植物叶片可视化未来的研究方向进行大胆猜想和展望。

关键词：植物叶片;可视化;研究;综述

中图分类号：S-1文献标识码：ADOI：10.19754/j.nyyjs.20200815001

收稿日期：2020-06-22

基金项目：国家自然科学基金项目（项目编号：61862032）

作者简介：施俊林（1997-），男，本科在读 ;通讯作者彭军（1981-），男，硕士，副教授。研究方向：农业信息化。

引言

植物在大自然中扮演着不可或缺的角色，地球上植物种类数量庞大，通常根据植物叶片来区分不同的植物，但是植物叶片种类繁多，人工区分，工作量巨大，并且人类的记忆和精力是有限的，要想识别出所有的植物叶片也是不现实的。在如今计算机技术和人工智能技术的快速发展下，可以依赖技术通过提取植物叶片的外观视觉特征来进行有效识别。

在现代化、数字化农业如火如荼进行的当下，植物叶片可视化研究显得更加重要。如今信息来源于用户，服务于用户愈来愈明显，在这个新形势之下，可视化作为一种非常普遍的技术需求和应用趋势在植物叶片的图像识别、虚拟现实研究等方面发挥着不可或缺的作用。

随着计算机技术、数据科学的不断发展，人们的生活也发生改变，从过去看到不认识的植物只能查阅书籍资料到现在只需要拍照便可查阅其详细信息，这样的应用再一次让人们对大自然和计算机图形图像处理等领域充满了探索的好奇。

1概述

葉片有着各种各样的形状，即使是同一种植物，叶片的叶形也是有变化的。大自然中，大部分植物叶片是椭圆形，但植物变化万千，叶片形状除了常见的形状外还有许多奇怪的形状，在这样的情况下，学者对植物叶片可视化研究提出了许多理论方法。目前，国内对植物叶片可视化的研究有很多，有的是针对植物叶片的物理特性进行建模分析，有的是对植物叶片生成轮廓曲线进行分析，模拟叶脉等，但这些对于植物叶片的三维可视化表达效果都不是很好。目前，比较先进的可视化研究方法依然是通过得到植物叶片特征的大量数据，建立适合的模型。在这过程中，人工依然发挥着重要作用，记录大量重要数据，借助经验调节参数以达到更好模型训练效果。

2植物叶片可视化研究进展

近年来，可视化在植物识别中发挥了重要作用，大批学者学习国内外的理论方法，并结合自己的经验成功创造出很多研究成果。

Iris R.Wang ，Justin W. L. Wan等 [1] 在计算机上建立了植物叶片的生长模型，模拟了真实植物叶片生长情况。周南、陆玲等[2，3]认为植物叶片具有不同形状，因此提出了一种可调节植物叶片轮廓的可视化建模方法，通过使用数学函数的变形思想来完成植物叶片形状的形成，再使用平面矩型参数定义植物叶片的初始轮廓;大多数植物叶片的外形轮廓都可以在多次调节植物叶片的几何学特征后得到;即使在因人而异的情况下，这种植物叶片形状建模方法也可以达到较为理想的可视化效果。

M. T.Allen ，P. Prusinkiewicz等 [4]提出了L-peach 模型，用于模拟树木生长过程中结构和生理的变化，其中也包含叶片的模拟。薛佳楣、玄子玉等[5]提出基于图像处理技术来虚拟植物叶片的一种方法;在虚拟的环境中，虚拟植物可以帮助人们较快地在短时间内构建一个适应植物生长的环境来对植物的生长情况进行跟踪研究;该方法提取的是植物叶片的边缘信息，根据植物叶片的形态设计出的L系统通过一系列操作后可以正确显示出叶脉的信息。

陈萌[6]对水稻主茎叶进行观测记录，对不同生长期水稻叶片的数据进行统计研究，从中总结规律;并以此建立模型来研究水稻叶片形态与其生理参数的关系;通过模型的建立，实现了二维形态建模和水稻叶片的三维空间模型，从而表达出水稻叶片的生长情况。通过计算机编程实现2个模型，实现了水稻叶片的建模和水稻叶片的空间模型可视化。李书钦、刘海龙等[7，8]对小麦叶片进行数据的实测统计，并在建模后开展三维可视化的研究。

苗腾等 [9]用叶肉、一级叶脉和二级叶脉这3种结构来划分玉米叶片，通过获取玉米叶片的表观参数和SPAD数据构建量化模型。这种表观建模和可视化方法解决了一部分植物叶片在光学影响下可视化效果不佳的问题。实验表明，该方法做到了对植物叶片预想的三维可视化效果，这使得之后对植物叶片表观的三维虚拟动画呈现具备了有力的技术工具。

于慧伶、麻峻玮等 [10]采用双路卷积神经网络的方法对植物叶片构建识别模型，该方法考虑了叶片本身的不同边缘形状以及极其复杂的内部纹理特征信息，结合7层卷积层的网络结构的双路卷积神经网络结构，模拟叶片边缘形状特征路径。并且对比原有的单路卷积网络模型，识别准确上有了明显的提高;同时也大大提高了在特殊复杂的情况背景下植物叶片的识别准确率。

王振、师韵等[11]提出基于全卷积神经网络的图像分割方法，可以将玉米叶片图片中的病斑进行更加准确地分割，实验数据表明比FCN、PSP等图像分割模型拥有更好的性能。段凌凤、熊雄等 [12]也应用了全卷积神经网络的方法，进行图像分割，通过对解码网络进行反复训练，可以得到更为精确效果。

3植物叶片可视化研究面临的问题

植物叶片是植物在自然环境中的选择，同一种植物叶片的颜色、叶脉纹理和形状都会受不同的环境的影响而不同，同一片叶子在不同时期也有着不一样的结构特征，这些构成了建模与模拟的复杂性 [3]，也为后面的机器学习和模型训练 [13]增加了很大难度。大多数学者通常会选用一些常见、简单的形状进行植物叶片建模，而这就会使得可视化效果不全面，且有时间的局限性;同时模拟的环境通常也没有非常贴切真实的自然环境，很难达到大自然的光照变化和形态变化。

叶脉建模本身用时比较长，而相比较于一级、二级叶脉，有着更细的脉络结构的三级叶脉又分布于植物叶片的各处[14]。因此，一些小的细脉存在的规律不易发现，导致建模和模拟的工作难度加大。只有找到一种简单高效的建模方法才可能模拟出存在差异的大量的植物叶片[15]，进而为植物叶片可视化的大量研究提供保障，让处于大数据时代的数据足够丰富。

如今对植物叶片可视化研究所提出的模型和建立的系统大多只针对少数种类，在众多植物种类中，研究效果不具代表性，因此现在的理论和方法还需要完善。当下各学者对植物叶片可视化研究时使用的数据库大多是不相同的，所以各学者研究得出的方法也不能进行对比。

在查阅较多文献后发现，大部分学者在植物叶片可视化的过程中，会直接跳过研究植物叶片的边缘，导致光滑和锯齿状特征的边缘价值没有得到利用，对此方向的研究比较少。在实际生活中，人们对植物叶片的视角可能只是边缘，所以要想将可视化研究成果更多地应用到实际生活中，还需进行更多地研究。

4未来研究方向

试验研究把植物叶片在各个时期、各种环境下所受的影响均考虑进去，建立一个更加适用于实际生活的系统，未来可以精准识别植物叶片的病变情况。在所有植物叶片可视化的研究中建立相对统一的效果评价，这样对日后应用实施更加有利。植物叶片的可视化更加依赖计算机，日后依托深度学习的发展，对植物叶片深层网络特征进行自主学习 [16]。在方法不断改进的同时，识别准确率不再是研究的重点，在大数据时代，随着软件和硬件的进步，植物叶片可视化的研究成果将大规模大范围地投入到数字化农业中，虚拟现实技术将再次将植物叶片可视化的研究成果推向更前沿的应用。

5结束语

本文通过对植物叶片可视化相关文献的整理分析发现，在信息时代、农业科学研究不断加深的时代，信息科学与农业科学不断地融合，植物叶片可视化研究是当前的农业创新、也是传统型农业走向现代化农业的标志之一，值得农业信息化从业人员深入研究。

参考文献

[1] Iris R.Wang ，Justin W. L. Wan， Gladimir V. G. Baranoski. Physically-based simulation of plant leaf growth[J]. Computer Animation and Virtual Worlds，2004，15（3-4）：237-244.

[2]M. T.Allen ，P. Prusinkiewicz ，T. M. DeJong. Using L-systems for modeling source-sink interactions， architecture and physiology of growing trees： the L-PEACH model[J]. New Phytologist，2005，166（3）.

[3]周南，陆玲.植物叶片形状可视化模型研究[J].湖南农机，2012，39（09）：97-98，101.

[4]周南. 基于变形的三维植物叶片可视化造型研究[D].南昌：东华理工大学，2013.

[5]薛佳楣，玄子玉.虚拟植物叶片可视化的研究[J].佳木斯大学学报（自然科学版），2013，31（01）：112-115.

[6]陈萌. 水稻叶片形态建模的研究[D]. 南昌：江西农业大学，2016.

[7]李书钦，刘海龙，诸叶平，李世娟，刘升平，张红英，李中阳.基于實测数据和NURBS曲面的小麦叶片三维可视化[J].福建农业学报，2016，31（07）：777-782.

[8]李书钦，诸叶平，刘海龙，李世娟，刘丹，张红英，李中阳.基于NURBS曲面的小麦叶片三维可视化研究与实现[J].中国农业科技导报，2016，18（03）：89-95.

[9]苗腾，郭新宇，温维亮，王传宇，肖伯祥.基于农学参数的玉米叶片表观建模与可视化方法[J].农业工程学报，2017，33（19）：187-195.

[10]于慧伶，麻峻玮，张怡卓.基于双路卷积神经网络的植物叶片识别模型[J].北京林业大学学报，2018，40（12）：132-137.

[11]王振，师韵，李玉彬.基于改进全卷积神经网络的玉米叶片病斑分割[J].计算机工程与应用，2019，55（22）：127-132.

[12]段凌凤，熊雄，刘谦，杨万能，黄成龙.基于深度全卷积神经网络的大田稻穗分割[J].农业工程学报，2018，34（12）：202-209.

[13]刘晶晶. 基于深度网络特征学习的植物叶片识别算法研究与实现[D]. 深圳：深圳大学，2017.

[14]祁多多. 基于叶片变形的植物叶脉可视化造型研究[D]. 南昌：东华理工大学，2016.

[15]孙爽秋. 植物叶片识别的方法研究[D].昆明：云南大学，2019.

[16]翁杨，曾睿，吴陈铭，王猛，王秀杰，刘永进.基于深度学习的农业植物表型研究综述[J].中国科学：生命科学，2019，49（06）：698-716.

[17]胡明越. 基于深度学习的树种识别算法研究[D].杭州：浙江农林大学，2019.