基于时间序列图像的植物组分表型分析

Posted 2021-05-02 植物表型资讯

点击蓝色字免费订阅，每天收到这样的好资讯

本文描述了一种基于时间序列图像的植物组分表型分析方法，植物表型资讯介绍如下。

基于图像的植物表型分析有助于通过在相对短的时间内分析大量植物且无损的提取性状。将整个植物作为单个对象（整体表型）或单个组分（即叶和茎（组分表型）），从而研究植物的生物物理特性。玉米植株在生长周期中的出苗时间、叶片总数和个体叶片的生长量是反映植物活力的重要表型依据。然而对基于图像表型分析的自动化解决方案还有待探索。

分割过程

要推断组分表型，重要的是要检测个体叶和茎。因此，本文介绍了一种新方法，通过使用基于图像分析方法从侧面捕获的二维可见光图像序列，精准检测玉米植物的叶和茎。计算叶片的总数，并测量序列中所有图像的每片叶片长度以监测叶片生长。为了评估该算法的性能，本文引入了内布拉斯加大学林肯分校的植物组分表型数据集（UNL-CPPD），并提供地面实况以促进新算法开发和统一比较。通过基因型和环境（即温室）调控的植物表型性状的时间变化，对玉米植株进行了UNL—CPPD的实验研究。利用统计模型来分析温室环境的影响，并证明公共数据集Panicoid Phenomap-1上整体表型时间变异的遗传调控。

视图选择:a侧视0°的玉米植物的二值图像；b侧视90°的玉米植物的二值图像

植物结构测定：a植物骨架，每片叶子用不同的颜色标记; b具有节点和边缘的植物的图形表示; c植物各部位标签

本文的主要贡献是开发了一种基于计算机视觉的新型算法，用于自动检测单个叶和茎来计算新的组分表型，同时公开发布基准数据集，即UNL-CPPD。进行详细的实验分析以证明由环境和遗传变异调控的玉米中整体和组分表型的时间变化，并讨论它们在植物科学中的重要性。

来源：

Choudhury S D, Bashyam S, Qiu Y, Samal A and Awada T, Holistic and component plant phenotyping using temporal image sequence, Plant Methods, 2018, https://doi.org/10.1186/s13007-018-0303-x