基于机器视觉的植物表型研究现状＊

严佳豪 ， 彭辰晨 ， 陈超凡 ， 沈新航 ， 焦 祥

（1.无锡职业技术学院，江苏 无锡 214121；2.江苏大学无锡机电学院，江苏 无锡 214121）

0 引言

农林植物表型是指特定情况下其所表现出来的可观察结构（包括生长、发育、耐性、抗性、生理、结构和产量等）、功能形态特征及其变化规律。植物表型相关研究在粮食安全、环境可持续发展等方面具有重要意义，在指导施肥和喷药、杂草识别、产量预测和病虫害检测等方面发挥着重要的作用。

传统的植物表型测量方法受人主观性因素的制约，导致测量性状少、样本量少等问题。同时，传统的植物表型检测多为人工测量，存在着效率低、主观性严重、测量误差大、对单一植物进行重复测量时植物适应性差等问题，难以满足现代化农业的要求。相比于人工检测，基于机器视觉的植物表型检测可对植物进行非接触式、非破坏式、全周期的跟踪检测。

鉴于目前国内外较为广泛地开展了基于机器视觉的农林植物表型检测技术研究，但大田复杂环境下农林植物表型视觉检测技术研究相对较少，本文拟在分析植物表型研究必要性的基础上，系统综述国内外开展的植物表型检测技术研究，探讨分析基于机器视觉的大田复杂环境下植物表型检测技术，以期促进农林植保的智能化。

1 植物表型研究现状

近年来，国内外农林植物表型研究飞速发展，其理论与实践成果广泛应用于农林业生产实践，从采集农林植物生长图像、分析农林植物表型性状等形态结构参数，到建立农林植物3D模型、虚拟农林植物生长过程，对于预测农林植物作物产量、预防病虫害和培育理想株型都具有重要的指导意义；同时，数据平台和大数据为植物表型研究提供了一个共享数据平台，极大地促进了植物表型组学的发展。国外农林植物表型检测技术研究起步较早，并取得了大量研究成果。国内相关研究正处于快速发展时期，逐步形成了符合我国农林业生产实践的研究模式和体系。

Paproki等[1]运用3DSOM重建植物三维模型，并使用一种新的混合网格分割算法进行分割，准确、高效地获取植株株型信息。Honsdorf等[2]通过高通量表型平台Scanalyzer3D，在一组野生大麦渗入系中分别鉴定出了44个和21个干旱胁迫QTLs。Yano等[3]对大量水稻表型性状数据进行主成分分析，提取具有特定表型性状的主成分，并将主成分得分与GWAS结合起来，鉴定出能够激活赤霉素（GA）信号的 SPINDLY（OsSPY基因，并证实了GA信号对水稻结构调控的影响。Ibanez等[4]研究了环境温度和基因型对拟南芥发育和表型可塑性的影响，提供了环境温度对拟南芥整个生长周期内表型变化的图谱，揭示了不同品系拟南芥的表型形状受温度影响的差异不大。袁培森等[5]根据植物本体论提出一种对水稻表型组学关系分类的方法，构建BERT模型并与其他学者构建的模型进行对比分析，精确率、召回率均达到了95%以上。董钠等[6]运用相关性、主成分和聚类分析等方法，收集了秋植酢浆草属种质资源样本的多个质量性状和数量性状进行观测，发现数量性状的多样性大于质量性状，为酢浆草属资源的高效利用、种质创新、亲本选择、品种改良打下基础。刘守阳等[7]利用数字化植物表型平台（D3P）研究不同品种小麦生育期的冠层变化，开展了虚拟激光雷达（LiDAR）模拟实验，结果表明FIPARdif和GAI的估算均获得了满意精度，对提高作物改良效率具有重要意义。

2 机器视觉在植物表型研究中的应用现状

随着计算机信息采集与图像处理技术的高速发展，机器视觉技术以其精准、高效的特点而被广泛应用，加之精确农林业、智慧农林发展的需要，机器视觉技术被应用于农林业生产实践的各个环节，尤其是植物表型研究。与传统人工检测植物表型相比，机器视觉技术能够更加精准地对植物表型数据进行采集、统计、识别和控制。

Hang Lu等[8]开发了一个全自动玉米幼苗表型分析平台，能够生成三维重建并输出玉米幼苗叶片数、叶长、茎高等形态性状。Arman Arefi 等[9]利用机器视觉检测成熟番茄果实并进行定位，引入了HIS 和YIQ模型综合分析的方法，试验表明图像处理速度以及对光强的适应性都有实用价值。Fetter等[10]提出了一种使用深卷积神经网络的自动气孔计数系统StomataCounter来识别和统计显微图像中的气孔，结果表明该系统对银杏显微照片的识别准确率达到98.1%，而且模型在未经训练的其他植物气孔图像应用识别精度达到了94.2%，为植物微观表型智能化研究提供了范例。党满意等[11]利用机器视觉快速识别马铃薯晚疫病患病情况，为基于机器视觉的马铃薯晚疫病的快速检测提供理论依据。蒋丰千等[12]提出了一种基于卷积神经网络的生姜病害识别系统，对炭疽病、姜瘟病、根结线虫病和白星病进行研究分析，结果表明系统的识别率达到了96%，较好地预测和识别生姜相关病害。刘媛等[13]根据葡萄病害叶片图像特点，运用机器视觉技术研究葡萄病害识别方法，为实现葡萄病害的快速自动识别提供了方法和依据。张晗等[14]建立图像特征与种子活力相关模型并进行分级验证，为通过种子图像信息判断其活力提供方法参考。

3 结束语

本文系统地综述了机器视觉在植物表型研究中的应用现状。现阶段机器视觉主要应用于室内植物表型平台，利用图像传感器在可控条件下采集各类植物表型数据，并通过计算机图像和人工智能等分析方法，为植物株型改良、植物保护等研究提供基础数据。由于大田环境存在诸多不确定性及多变性，如光照、大田背景等因素，均会影响机器视觉算法分析植物表型参数的准确性和效率。因此，如何有效地将机器视觉技术应用于环境等因素不可控的大田试验及生产实践乃是今后的研究重点。