嚴佳豪 ， 彭辰晨 ， 陳超凡 ， 沈新航 ， 焦 祥

（1.無錫職業(yè)技術學院，江蘇 無錫 214121；2.江蘇大學無錫機電學院，江蘇 無錫 214121）

0 引言

農林植物表型是指特定情況下其所表現出來的可觀察結構（包括生長、發(fā)育、耐性、抗性、生理、結構和產量等）、功能形態(tài)特征及其變化規(guī)律。植物表型相關研究在糧食安全、環(huán)境可持續(xù)發(fā)展等方面具有重要意義，在指導施肥和噴藥、雜草識別、產量預測和病蟲害檢測等方面發(fā)揮著重要的作用。

傳統(tǒng)的植物表型測量方法受人主觀性因素的制約，導致測量性狀少、樣本量少等問題。同時，傳統(tǒng)的植物表型檢測多為人工測量，存在著效率低、主觀性嚴重、測量誤差大、對單一植物進行重復測量時植物適應性差等問題，難以滿足現代化農業(yè)的要求。相比于人工檢測，基于機器視覺的植物表型檢測可對植物進行非接觸式、非破壞式、全周期的跟蹤檢測。

鑒于目前國內外較為廣泛地開展了基于機器視覺的農林植物表型檢測技術研究，但大田復雜環(huán)境下農林植物表型視覺檢測技術研究相對較少，本文擬在分析植物表型研究必要性的基礎上，系統(tǒng)綜述國內外開展的植物表型檢測技術研究，探討分析基于機器視覺的大田復雜環(huán)境下植物表型檢測技術，以期促進農林植保的智能化。

1 植物表型研究現狀

近年來，國內外農林植物表型研究飛速發(fā)展，其理論與實踐成果廣泛應用于農林業(yè)生產實踐，從采集農林植物生長圖像、分析農林植物表型性狀等形態(tài)結構參數，到建立農林植物3D模型、虛擬農林植物生長過程，對于預測農林植物作物產量、預防病蟲害和培育理想株型都具有重要的指導意義；同時，數據平臺和大數據為植物表型研究提供了一個共享數據平臺，極大地促進了植物表型組學的發(fā)展。國外農林植物表型檢測技術研究起步較早，并取得了大量研究成果。國內相關研究正處于快速發(fā)展時期，逐步形成了符合我國農林業(yè)生產實踐的研究模式和體系。

Paproki等[1]運用3DSOM重建植物三維模型，并使用一種新的混合網格分割算法進行分割，準確、高效地獲取植株株型信息。Honsdorf等[2]通過高通量表型平臺Scanalyzer3D，在一組野生大麥滲入系中分別鑒定出了44個和21個干旱脅迫QTLs。Yano等[3]對大量水稻表型性狀數據進行主成分分析，提取具有特定表型性狀的主成分，并將主成分得分與GWAS結合起來，鑒定出能夠激活赤霉素（GA）信號的 SPINDLY（OsSPY基因，并證實了GA信號對水稻結構調控的影響。Ibanez等[4]研究了環(huán)境溫度和基因型對擬南芥發(fā)育和表型可塑性的影響，提供了環(huán)境溫度對擬南芥整個生長周期內表型變化的圖譜，揭示了不同品系擬南芥的表型形狀受溫度影響的差異不大。袁培森等[5]根據植物本體論提出一種對水稻表型組學關系分類的方法，構建BERT模型并與其他學者構建的模型進行對比分析，精確率、召回率均達到了95%以上。董鈉等[6]運用相關性、主成分和聚類分析等方法，收集了秋植酢漿草屬種質資源樣本的多個質量性狀和數量性狀進行觀測，發(fā)現數量性狀的多樣性大于質量性狀，為酢漿草屬資源的高效利用、種質創(chuàng)新、親本選擇、品種改良打下基礎。劉守陽等[7]利用數字化植物表型平臺（D3P）研究不同品種小麥生育期的冠層變化，開展了虛擬激光雷達（LiDAR）模擬實驗，結果表明FIPARdif和GAI的估算均獲得了滿意精度，對提高作物改良效率具有重要意義。

2 機器視覺在植物表型研究中的應用現狀

隨著計算機信息采集與圖像處理技術的高速發(fā)展，機器視覺技術以其精準、高效的特點而被廣泛應用，加之精確農林業(yè)、智慧農林發(fā)展的需要，機器視覺技術被應用于農林業(yè)生產實踐的各個環(huán)節(jié)，尤其是植物表型研究。與傳統(tǒng)人工檢測植物表型相比，機器視覺技術能夠更加精準地對植物表型數據進行采集、統(tǒng)計、識別和控制。

Hang Lu等[8]開發(fā)了一個全自動玉米幼苗表型分析平臺，能夠生成三維重建并輸出玉米幼苗葉片數、葉長、莖高等形態(tài)性狀。Arman Arefi 等[9]利用機器視覺檢測成熟番茄果實并進行定位，引入了HIS 和YIQ模型綜合分析的方法，試驗表明圖像處理速度以及對光強的適應性都有實用價值。Fetter等[10]提出了一種使用深卷積神經網絡的自動氣孔計數系統(tǒng)StomataCounter來識別和統(tǒng)計顯微圖像中的氣孔，結果表明該系統(tǒng)對銀杏顯微照片的識別準確率達到98.1%，而且模型在未經訓練的其他植物氣孔圖像應用識別精度達到了94.2%，為植物微觀表型智能化研究提供了范例。黨滿意等[11]利用機器視覺快速識別馬鈴薯晚疫病患病情況，為基于機器視覺的馬鈴薯晚疫病的快速檢測提供理論依據。蔣豐千等[12]提出了一種基于卷積神經網絡的生姜病害識別系統(tǒng)，對炭疽病、姜瘟病、根結線蟲病和白星病進行研究分析，結果表明系統(tǒng)的識別率達到了96%，較好地預測和識別生姜相關病害。劉媛等[13]根據葡萄病害葉片圖像特點，運用機器視覺技術研究葡萄病害識別方法，為實現葡萄病害的快速自動識別提供了方法和依據。張晗等[14]建立圖像特征與種子活力相關模型并進行分級驗證，為通過種子圖像信息判斷其活力提供方法參考。

3 結束語

本文系統(tǒng)地綜述了機器視覺在植物表型研究中的應用現狀?，F階段機器視覺主要應用于室內植物表型平臺，利用圖像傳感器在可控條件下采集各類植物表型數據，并通過計算機圖像和人工智能等分析方法，為植物株型改良、植物保護等研究提供基礎數據。由于大田環(huán)境存在諸多不確定性及多變性，如光照、大田背景等因素，均會影響機器視覺算法分析植物表型參數的準確性和效率。因此，如何有效地將機器視覺技術應用于環(huán)境等因素不可控的大田試驗及生產實踐乃是今后的研究重點。