El sistema de imágenes fenotípicas de plantas de campo (sistema de imágenes fenotípicas de plantas de campo) es una herramienta de alto rendimiento para obtener, analizar y evaluar las características fenotípicas de las plantas, que puede proporcionar datos sobre el crecimiento, desarrollo y estado de salud de las plantas. El sistema de imágenes fenotípicas ayuda a los investigadores a realizar un análisis fenotípico preciso de las plantas recopilando una gran cantidad de datos de imagen, combinados con la visión por computadora y la tecnología de procesamiento de imágenes.
Los métodos para extraer datos fenotípicos de plantas de campo suelen incluir varios pasos, como la adquisición de imágenes, el preprocesamiento de datos, la extracción de características y el análisis de datos. Los siguientes son los métodos de extracción comunes en los sistemas de imágenes fenotípicas de plantas de campo.
1. adquisición de imágenes
En primer lugar, se utilizan equipos de imagen especiales para obtener datos de imagen de plantas de campo. Estos dispositivos de imagen pueden ser:
Cámara de luz visible: se utiliza para fotografiar el color natural y la morfología de las plantas, y a menudo se utiliza para análisis morfológicos simples.
Cámara infrarroja: se utiliza para capturar las características térmicas de las plantas y ayudar a evaluar el Estado del agua de las plantas, plagas y enfermedades, etc.
Imagen de infrarrojo cercano (nir): se utiliza para obtener información sobre el contenido de agua y los niveles de nitrógeno de las hojas de las plantas.
Cámara multiespectral: evaluación del Estado de salud de las plantas, detección de enfermedades, etc., a través de imágenes espectrales de diferentes longitudes de onda.
Cámara hiperespectral: proporciona información espectral de mayor precisión que puede identificar más características fisiológicas de la planta, como la composición química de las hojas, el Estado de crecimiento de la planta, etc.
Escáneres láser: se utilizan para obtener datos estructurales tridimensionales de plantas, ayudando a analizar características espaciales como el volumen y la forma de las plantas.
2. preprocesamiento de datos
Los datos de imagen originales obtenidos suelen contener partes ruidosas, incompletas o inconsistentes, por lo que es necesario preprocesar los datos. Estos pasos ayudan a mejorar la precisión de los análisis posteriores:
Procesamiento de eliminación de ruido: uso de filtros (como filtro mediano, filtro gauss, etc.) para eliminar el ruido en la imagen.
Mejora de imagen: el procesamiento de mejora de la imagen, como el ajuste de contraste, el procesamiento de agudización, etc., hace que las características vegetales de la imagen sean más prominentes.
Corrección de imagen: incluye corrección geométrica, corrección de color, etc., para garantizar que la información espacial y de color de la imagen sea precisa.
Segmentación de imágenes: separación de plantas del Fondo a través de métodos como umbral, detección de bordes o aprendizaje profundo para la extracción posterior de características.
3. extracción de características
La extracción de características es un paso clave en el sistema de imágenes fenotípicas, con el objetivo de extraer características relacionadas con el crecimiento y la salud de las plantas de las imágenes. Estas características incluyen, pero no se limitan a:
3.1 características morfológicas de las plantas
Altura de la planta: se evalúa su estado de crecimiento midiendo la altura máxima de la planta a partir de la imagen.
Área de hoja: calcular el área total de la hoja de la planta, que generalmente se puede obtener por el área de la hoja dividida.
Morfología de las raíces: se utilizan técnicas de Imagen 3D o tomografías computarizadas de rayos X para analizar la estructura de las raíces de las plantas.
Número de ramas: evaluar el crecimiento de las plantas analizando la estructura de las ramas de las plantas.
Forma de la hoja: análisis de la relación de longitud a anchura de la hoja, curvatura del borde, suavidad de la superficie, etc.
3.2 Características de color
El color de la planta puede reflejar su estado de crecimiento, especialmente los niveles de nutrientes y agua. Las características de color comunes incluyen:
Contenido de clorofila: calcular el contenido de clorofila de las hojas de las plantas calculando el brillo de la región verde, y luego evaluar la capacidad fotosintética de las plantas.
Índice de salud vegetal: calcular el índice de salud vegetal (por ejemplo, ndvi, índice de vegetación normalizado) utilizando imágenes RGB de la planta para juzgar el Estado de salud de la planta.
Contenido de agua: estimar el Estado de agua de las plantas a través de la diferencia entre las imágenes de infrarrojo cercano y luz visible.
3.3 características estructurales tridimensionales
Volumen y área de la planta: calcular la forma tridimensional de la planta utilizando técnicas de imagen 3d, como escáneres láser o visión estereoscópica, y evaluar su estructura espacial y su estado de crecimiento.
Curvatura y características de la superficie de la hoja: extracción de detalles de la superficie de la hoja a través de datos de escaneo tridimensional para evaluar su estado de salud.
3.4 dinámica de crecimiento
Tasa de crecimiento: a través de datos de imagen en varios puntos de tiempo, se calcula la tasa de crecimiento de la planta, el crecimiento del área de rama y hoja, etc.
Aumento de peso de la planta: combinar mediciones externas (como el peso de la planta) para verificar y complementar los datos de imagen y evaluar el Estado de crecimiento de la planta.
4. análisis y modelado de datos
Los datos característicos extraídos requieren un análisis en profundidad a través de métodos de análisis y modelado de datos para llegar a conclusiones biológicas valiosas.
Análisis estadístico: análisis de los efectos de los diferentes tratamientos en el crecimiento de las plantas a través de métodos estadísticos de datos (como análisis de regresión, análisis de variación, etc.).
Aprendizaje automático y aprendizaje profundo: clasificación, análisis de regresión o predicción de características fenotípicas de plantas utilizando algoritmos de Aprendizaje automático (como máquinas vectoriales de soporte, bosques aleatorios, redes neuronales de convolución, etc.).
Análisis de asociación fenotípica: a través del análisis de asociación con la información genética, se explora la relación entre los genes y fenotipos de las plantas y se revela el mecanismo de crecimiento de las plantas.
5. herramientas y software comunes de extracción de fenotipos
Opencvs: una potente Biblioteca de visión por computadora de código abierto, ampliamente utilizada en el preprocesamiento de imágenes, extracción de características y análisis.
Imagej: un software de procesamiento de imágenes de código abierto, comúnmente utilizado en el análisis de imágenes biológicas, que admite una variedad de plug - Ins.
Matlab: proporciona una potente caja de herramientas de procesamiento de imágenes y análisis de datos, que es adecuada para el procesamiento y modelado de datos fenotípicos vegetales.
Fenovator: un software para el análisis de fenotipos vegetales capaz de procesar y analizar datos de imágenes vegetales en experimentos de campo.
Deeplabcut: una herramienta de rastreo de movimiento basada en el aprendizaje profundo, comúnmente utilizada en el análisis del crecimiento y el Movimiento de las plantas.
6. Resumen
El método de extracción del sistema de imágenes fenotípicas de plantas de campo puede extraer una variedad de características de la morfología, el color y la estructura tridimensional de las plantas mediante la adquisición de datos de imagen y la combinación de procesamiento de imágenes y tecnología de aprendizaje automático, proporcionando así un apoyo importante para la evaluación del Estado de crecimiento de las plantas, la investigación genética y la cría. Con el desarrollo continuo de la tecnología de procesamiento de imágenes y la tecnología de sensores, la precisión y el alcance de aplicación del sistema de imágenes fenotípicas también continúan expandiéndose.