楊文慶，劉天霞，唐興萍，徐國富，馬 喆，楊賀凱，吳文斗

（1. 云南農(nóng)業(yè)大學 大數(shù)據(jù)學院，云南 昆明 650201；2. 云南農(nóng)業(yè)大學 食品科學技術(shù)學院，云南 昆明 650201；3. 云南農(nóng)業(yè)大學 機電工程學院，云南 昆明 650201）

人口快速增長、氣候變化以及環(huán)境問題等因素使得糧食增長速率嚴重落后于人口增長速率。中國人均耕地少，糧食產(chǎn)量對人民生活水平、國民經(jīng)濟發(fā)展和國家糧食安全尤為重要，亟需依靠現(xiàn)代科技推動農(nóng)業(yè)生產(chǎn)發(fā)展。植物表型是指能夠反映植物細胞、組織、器官、植株和群體結(jié)構(gòu)及功能特征的物理、生理和生化性狀，其本質(zhì)是植物基因圖譜的三維表達及地域分異特征和代際演進規(guī)律[1]。表型組學是研究生物個體或群體在特定條件下所表現(xiàn)出可觀察的形態(tài)特征及其變化規(guī)律的學科[2]，植物表型組學是進一步探索基因型—表型—環(huán)境內(nèi)在關(guān)聯(lián)的關(guān)鍵技術(shù)[3]，為基因組功能分析、分子育種以及農(nóng)業(yè)生產(chǎn)精準管理提供了技術(shù)支撐。

1911 年，丹麥遺傳學家JOHANNSEN 首次提出了生物學上的表型（Phenotype）概念，他定義表型為可以通過直接觀察或測量得到的進行描述區(qū)分的生物屬性[4]。隨著基因測序技術(shù)的發(fā)展，越來越多的作物已經(jīng)完成了基因組測序工作。由于植物表型本身的復(fù)雜性及其動態(tài)變化，導(dǎo)致植物表型研究落后于基因型研究[5]。1996 年，GARAN 在滑鐵盧大學的一次演講中首次提出表型組學（Phenomics）的概念[6]。相較于傳統(tǒng)單株單性狀的表型檢測，植物表型組學檢測有數(shù)據(jù)量大，數(shù)據(jù)采集快速、準確，可以將一個性狀分割成多個性狀來檢測等特點，為高通量、快速、系統(tǒng)地研究基因組和表型組提供了可能[7]。

發(fā)展智慧農(nóng)業(yè)是“十四五”時期乃至2035 年我國農(nóng)業(yè)高質(zhì)量發(fā)展的重要內(nèi)容[8]。智慧農(nóng)業(yè)是數(shù)字經(jīng)濟的組成部分，是指將物聯(lián)網(wǎng)、大數(shù)據(jù)、人工智能、云計算、區(qū)塊鏈等現(xiàn)代信息技術(shù)應(yīng)用于農(nóng)業(yè)生產(chǎn)中，促進農(nóng)業(yè)向現(xiàn)代化、智慧化、標準化、綠色化、數(shù)據(jù)化發(fā)展，使農(nóng)業(yè)生產(chǎn)環(huán)節(jié)按照需求實現(xiàn)閉環(huán)可控，向?qū)θ祟愑欣淖顑?yōu)化方向發(fā)展[9]。植物表型組學是發(fā)展智慧農(nóng)業(yè)的重要技術(shù)之一，對農(nóng)業(yè)生產(chǎn)過程精準管理、智慧育種、脅迫研究等有重大意義。在發(fā)展智慧農(nóng)業(yè)的背景下，植物表型數(shù)據(jù)量龐大，且對表型數(shù)據(jù)獲取的準確性、實時性和全面性的要求不斷提高。僅依靠人工檢測和分析的傳統(tǒng)植物表型研究無法大規(guī)模、高精度地獲取和分析植物表型數(shù)據(jù)，已不能滿足農(nóng)業(yè)現(xiàn)代化發(fā)展的需求。在物聯(lián)網(wǎng)、人工智能等現(xiàn)代信息技術(shù)快速發(fā)展的今天，植物表型組學也將與新一代傳感器技術(shù)以及數(shù)據(jù)處理技術(shù)深度融合，高通量、高精度、全自動獲取和分析植物表型數(shù)據(jù)是未來植物表型研究的熱點。高光譜成像、激光雷達成像、核磁共振成像等數(shù)據(jù)采集技術(shù)以及以深度學習為代表的人工智能技術(shù)已廣泛應(yīng)用于植物表型研究中，為高通量、高精度、全自動獲取和分析植物表型數(shù)據(jù)奠定了基礎(chǔ)。國內(nèi)外在植物表型研究平臺的開發(fā)中也取得了大量成就。近年來，隨著生物學、信息技術(shù)和數(shù)據(jù)處理技術(shù)的發(fā)展，表型組學研究迎來了發(fā)展契機[10]。第一，高通量和非破壞性的實時成像技術(shù)、光譜技術(shù)、圖像分析系統(tǒng)、機器人表型分析手段逐漸成熟；第二，能夠?qū)崿F(xiàn)對生物體的整個生長周期實時監(jiān)測；第三，隨著人工智能、云計算、統(tǒng)計學和生物學以及基因組、蛋白質(zhì)組和轉(zhuǎn)錄組等組學的發(fā)展，使得處理植物表型大數(shù)據(jù)的能力越來越強。未來植物表型組學研究將向多學科深度融合的方向發(fā)展。

通過大量文獻閱讀，結(jié)合自身研究方向和理解，對植物表型研究發(fā)展現(xiàn)狀進行了總結(jié)。首先，總結(jié)了常用的植物表型采集技術(shù)、植物表型數(shù)據(jù)處理技術(shù)以及這些技術(shù)的未來發(fā)展趨勢，并概述了國內(nèi)外植物表型組學研究平臺的建設(shè)情況。其次，介紹了植物表型組學在智慧農(nóng)業(yè)發(fā)展中的應(yīng)用，并分析了植物表型組學在各應(yīng)用中的現(xiàn)狀及其面臨的挑戰(zhàn)。最后，對植物表型組學的未來發(fā)展進行展望。

1 植物表型組學研究現(xiàn)狀

1.1 植物表型數(shù)據(jù)獲取

當前已有大量圖像采集技術(shù)用于獲取植物表型信息，對植物的物理、生理、生化等信息進行成像[11]。圖像采集技術(shù)按照圖像的性質(zhì)可分為二維成像技術(shù)和三維成像技術(shù)[12]，不同的圖像采集技術(shù)可以采集不同的表型參數(shù)，在實踐中需要考慮應(yīng)用場景及成本等因素來選擇合適的成像技術(shù)。表1列舉了常用的成像技術(shù)及其主要獲取的參數(shù)[13]。

表1 常用的植物表型成像技術(shù)Tab.1 Common used plant phenotype imaging techniques

可見光成像、熒光成像、紅外成像以及高光譜成像等二維成像技術(shù)都是采集植物表型數(shù)據(jù)的重要技術(shù)，被廣泛應(yīng)用于農(nóng)業(yè)生產(chǎn)中。但是，采用某單一成像技術(shù)采集表型數(shù)據(jù)，獲取的數(shù)據(jù)單一，不能滿足高通量、高精度的表型研究需求。集成多種成像技術(shù)的設(shè)備能夠在一定程度上解決表型數(shù)據(jù)單一、數(shù)據(jù)量不足的問題。近年來，三維成像技術(shù)進入人們的視野中，激光雷達成像技術(shù)、CT 成像技術(shù)以及核磁共振技術(shù)等已大量用于植物表型組學研究中，三維成像技術(shù)能夠獲得更豐富的表型數(shù)據(jù)。隨著技術(shù)的進步和設(shè)備逐漸成熟，三維成像技術(shù)的應(yīng)用將會越來越廣泛。

當前植物表型數(shù)據(jù)獲取的研究重點是構(gòu)建表型基礎(chǔ)設(shè)施，研發(fā)便攜式低成本的表型獲取裝置，進一步提高表型數(shù)據(jù)獲取的通量、分辨率和自動化程度[1]。數(shù)據(jù)采集設(shè)備可搭載傳送帶、無人機、車載平臺以及自走式平臺等多種平臺。植物表型采集平臺主要包括田間型和溫室型2 種，田間作物位置固定，一般通過移動傳感器的方式獲取表型信息，常用的平臺包括車載式平臺、自走式平臺、無人機平臺以及飛機、衛(wèi)星等。傳送帶平臺和軌道式平臺是比較常見的溫室表型采集平臺，傳送帶平臺通過傳送帶將作物傳送到成像區(qū)域成像，軌道式平臺通過移動傳感器實現(xiàn)在作物原位置上采集表型數(shù)據(jù)。表2 是典型的表型信息采集平臺，在具體實踐中可根據(jù)檢測環(huán)境、檢測對象特征以及成本等來選擇平臺。

表2 常見植物表型信息采集平臺Tab.2 Common used plant phenotype information collection platforms

續(xù)表2 常見植物表型信息采集平臺Tab.2（Continued） Common used plant phenotype information collection platforms

隨著無人機技術(shù)的逐漸成熟、遠近程傳感設(shè)備性能的提升，基于無人機的植物表型采集技術(shù)迅速發(fā)展，無人機平臺在田間和室內(nèi)均適用，能夠在短時間內(nèi)采集大面積作物的表型數(shù)據(jù)。但是，目前多數(shù)無人機平臺不能實現(xiàn)數(shù)據(jù)的實時分析，數(shù)據(jù)處理能力亟待提高。隨著傳感器技術(shù)的發(fā)展，高分辨率的傳感器質(zhì)量遠超過小型無人機所能負擔的質(zhì)量，為了更全面、更深入地獲取植物表型信息，衛(wèi)星、飛機等飛行設(shè)備陸續(xù)投入使用，航空表型技術(shù)進一步發(fā)展[35]。航空表型采集技術(shù)測量范圍廣、速度快，能夠滿足高精度、高通量的需求。但是航空表型技術(shù)對天氣條件要求較高，在大風、大雨等惡劣天氣情況下，不能正常工作。

1.2 植物表型數(shù)據(jù)處理與解析

植物表型數(shù)據(jù)解析是指從采集到的圖像數(shù)據(jù)中提取出有意義的生物學信息。目前，植物表型數(shù)據(jù)解析研究的重點是增加可觀測、可量化、具有明確生物學意義的植物表型性狀數(shù)量，提高定量化植物表型解析的精度和效率，并針對不同植物的形態(tài)結(jié)構(gòu)和生理生態(tài)功能研發(fā)相關(guān)算法[1]。比較常見的植物表型數(shù)據(jù)處理技術(shù)有機器視覺、三維重建、機器學習以及深度學習等，表3 列出了常見的表型數(shù)據(jù)分析技術(shù)以及相關(guān)的應(yīng)用案例。

表3 常用植物表型數(shù)據(jù)分析技術(shù)Tab.3 Common used plant phenotype data analysis techniques

植物表型數(shù)據(jù)分析技術(shù)的發(fā)展促進了植物表型組學研究的進展，解決了傳統(tǒng)人工分析表型數(shù)據(jù)費時費力、受主觀經(jīng)驗影響等問題。隨著表型采集技術(shù)的發(fā)展，表型數(shù)據(jù)急劇增長且數(shù)據(jù)類型多樣，傳統(tǒng)的圖像分析技術(shù)難以從海量表型數(shù)據(jù)中萃取出有價值的信息。此外，由于田間環(huán)境復(fù)雜，易受光照差異以及遮擋物陰影等因素的干擾，部分植物表型圖像處理與分析技術(shù)存在特征設(shè)計困難、面向復(fù)雜任務(wù)有局限性等弊端。例如機器視覺技術(shù)在處理表型圖像時，難以解決相鄰葉片、穗和果實造成的重疊、遮擋等問題[48]。針對海量數(shù)據(jù)以及表型圖像復(fù)雜的問題，以深度學習為代表的人工智能技術(shù)憑借著強大的特征提取能力和建模能力給出解決思路，以卷積神經(jīng)網(wǎng)絡(luò)、轉(zhuǎn)移學習等算法為基礎(chǔ)研發(fā)的算法成為表型數(shù)據(jù)分析的主要研究方向。深度學習技術(shù)已廣泛應(yīng)用于植物表型研究中，并取得了大量成就，例如基于深度學習的植物葉片分割[49]、養(yǎng)分監(jiān)測、脅迫分析、植物識別以及產(chǎn)量預(yù)測等。然而，深度學習的潛力要在海量數(shù)據(jù)集中才能被激發(fā)出來，數(shù)據(jù)量較小時普通的機器學習即可滿足需求，因此，在實踐中需要考慮研究對象的特征和數(shù)據(jù)量來選擇合適的算法。

為補償二維圖像信息的不足和實現(xiàn)不同環(huán)境下無損地獲取表型信息，研究者們開始關(guān)注三維重建技術(shù)[50]。三維重建技術(shù)是精確描述作物形態(tài)全信息結(jié)構(gòu)的重要工具[51]，是植物表型組學研究中的基本技術(shù)之一。根據(jù)取樣方法和重構(gòu)方法不同，三維重建方法大致可分為4類，分別是基于規(guī)則的方法、基于圖像的方法、基于三維掃描儀的方法以及基于數(shù)字化儀的方法。目前，在單株作物三維重建、田間群體作物三維重建以及作物根系三維重建等方面都取得了一定成就，涉及的農(nóng)作物廣泛，包括玉米、小麥、大豆、水稻、棉花、番茄、葡萄、草莓等。但是，重建對象的特征差異、數(shù)據(jù)提取困難、三維掃描儀價格昂貴等因素制約了農(nóng)作物三維重建技術(shù)的發(fā)展。

從海量的表型數(shù)據(jù)中提取出關(guān)鍵的性狀信息后，關(guān)鍵的環(huán)節(jié)是將性狀數(shù)據(jù)轉(zhuǎn)換為有具體意義的生物學知識，并用于指導(dǎo)農(nóng)業(yè)生產(chǎn)。這一過程的實現(xiàn)一方面需要高通量、高分辨率表型采集平臺的發(fā)展，獲取充足、全面、高質(zhì)量的表型數(shù)據(jù)；另一方面，需要提高表型數(shù)據(jù)的分析效率，萃取可靠的性狀特征。此外，從表型數(shù)據(jù)到有意義的生物學知識，離不開生物學領(lǐng)域以及其他組學團隊的共同努力。

1.3 國內(nèi)外植物表型研究平臺建設(shè)

高通量表型平臺是集成傳送系統(tǒng)、高通量成像系統(tǒng)、數(shù)據(jù)分析存儲系統(tǒng)以及控制系統(tǒng)為一體的全自動、無損傷的獲取植物整個生長周期表型信息的研究平臺，根據(jù)應(yīng)用場景的不同主要分為溫室型和田間型2 種。國外對植物表型的研究開始較早，已有許多大型平臺投入使用。德國Lemna Tec 公司在植物表型研究中處于世界領(lǐng)先水平，開發(fā)了一系列從低通量到高通量、從實驗室到田間、從細菌到高等植物的表型檢測和分析平臺。比利時CorpDesign公司的TraitmillTM 是集生物信息學分析，高通量基因工程、基因轉(zhuǎn)換和作物高分辨率表型分析于一體的高通量平臺[52]，通過機器人采集和分析數(shù)據(jù)，每天可采集的圖像達50 000 張。捷克PSI 公司的PlantScreenTM 系統(tǒng)是比較著名的室內(nèi)植物表型研究平臺，主要用于擬南芥和豌豆等植物的葉片葉綠素熒光成像和測量。

國內(nèi)華中農(nóng)業(yè)大學和華中科技大學研發(fā)的全生育期高通量水稻表型測量平臺HRPF[53]可以有效提取株高、葉面積等15 個參數(shù)。該平臺可容納5 472 盆水稻，測量通量可達1 920 盆/d。中國科學院遺傳與發(fā)育生物學研究所研發(fā)的PPAP 平臺[54]集成可見光成像、紅外成像、根系近紅外成像、葉綠素熒光成像、高光譜成像及激光雷達成像等多種成像設(shè)備，建立了穗部性狀采集分析、根系表型采集分析及抗逆性狀采集分析等技術(shù)體系?；弁芯吭篬3]圍繞植物表型組學研究，研發(fā)了側(cè)吊式扁根盒自動化閉環(huán)成像環(huán)線裝置、推拉式扁根盒自動化成像單機、基于高低雙筒圓根盒的根系自動化成像工作站等一系列相關(guān)表型裝置?；壑Z瑞德公司的TraitDiscover 平臺可以搭載葉綠素熒光成像儀、光合表型測量儀、三維激光掃描儀等多種表型傳感器，根據(jù)系統(tǒng)的大小，一套系統(tǒng)一天可以測量幾百株、數(shù)千株，甚至上萬株植物。國內(nèi)植物表型相關(guān)研究技術(shù)相對落后于國外發(fā)達國家，自主研發(fā)較少，多依賴于國外技術(shù)的引進。

2 植物表型組學研究在智慧農(nóng)業(yè)生產(chǎn)中的應(yīng)用

準確采集和分析作物的重要表型性狀是精準育種和作物生產(chǎn)過程精準管理的關(guān)鍵。育種學家需要精確測量大量的表型數(shù)據(jù)來篩選優(yōu)良性狀，選育高產(chǎn)高抗的作物品種。在農(nóng)業(yè)生產(chǎn)實踐中，有效識別和監(jiān)測作物不同物侯期的特定形態(tài)結(jié)構(gòu)，進而可實現(xiàn)作物全生長周期長勢監(jiān)控與水肥智能化調(diào)控，提高智慧農(nóng)業(yè)生產(chǎn)管控與智能化管理水平。

2.1 植物識別與雜草控制

植物識別和雜草控制在農(nóng)業(yè)生產(chǎn)中有重要意義，傳統(tǒng)的植物識別與分類多依賴于專家的經(jīng)驗，通過觀察植物根、莖、葉、花、果實的特點來識別植物，不僅費時費力，而且個人主觀的判斷易出現(xiàn)誤差。隨著智慧農(nóng)業(yè)的發(fā)展，計算機視覺、機器學習和深度學習等技術(shù)開始用于植物識別和分類的任務(wù)中。雷建椿等[55]提出Ada Boost.M2-NFS 植物識別算法，將改進的傳統(tǒng)神經(jīng)模糊系統(tǒng)（NFS）與Ada Boost.M2 結(jié)合，新模型的識別率相較于單個NFS 增加了3.33 個百分點。GRINBLAT 等[44]利用卷積神經(jīng)網(wǎng)絡(luò)（CNN）識別白豆、黃豆和大豆3種豆科植物，識別準確率隨著CNN 網(wǎng)絡(luò)深度的增加而上升，網(wǎng)絡(luò)達到5 層時，準確率高于所有基于傳統(tǒng)特征分類的算法。僅依靠某一組織或器官識別植物有一定的困難，一般通過綜合多個組織或器官的性狀特征來提高識別的準確率。目前，植物識別的重點一是提高對作物本身或作物特定性狀的識別效率，二是提高算法的泛化能力。

雜草控制是作物生長管理中的重要部分，對智慧農(nóng)業(yè)發(fā)展有重大意義。傳統(tǒng)的雜草控制主要通過人工除草和化學除草，人工除草效率低下，大范圍噴灑除草劑不僅會破壞環(huán)境而且影響作物品質(zhì)，甚至存在食品安全隱患。在計算機技術(shù)快速發(fā)展的今天，基于計算機技術(shù)的自動化除草是未來雜草控制的新方向。自動化除草的關(guān)鍵在于準確識別雜草和作物，然后定點噴灑除草劑[56]，這樣可以減少除草劑的使用。深度學習有獨特的特征提取方式，在雜草控制中有許多的應(yīng)用，例如基于改進DenseNet 的田間雜草識別系統(tǒng)[57]，識別準確率達到98.63%；基于優(yōu)化Faster R-CNN 的棉花苗期雜草識別與定位系統(tǒng)[58]，識別雜草的準確率達到94.21%。雖然深度學習算法在雜草識別中表現(xiàn)出較好的性能，但是訓練深度學習網(wǎng)絡(luò)需要大樣本數(shù)據(jù)集，且對計算機計算能力要求較高，在某些情況下并不適用。為此，任全會等[59]使用圖像處理技術(shù)識別田間雜草，利用Canny算子進行圖像邊緣檢測，計算出重要的特征參數(shù)，通過遺傳算法的特點構(gòu)建雜草識別模型，雜草識別的錯誤率可達到3.2%以下。苗中華等[60]提出了一種基于圖像處理的多算法融合的田間雜草自動化檢測算法，以大豆田間除草為例，測試該算法的性能。結(jié)果表明，融合多種圖像處理算法的方法在雜草識別中準確率達到98.21%，相較于使用單一圖像處理方法的算法準確率提高了5.71%，并且在有陰影和雨滴的條件下測試算法，識別的準確率達到90%以上。該方法有較強的魯棒性和較高的準確率，為智能除草提供了技術(shù)支持。

2.2 與脅迫抗性相關(guān)的植物表型研究

植物在生長過程中受多種環(huán)境因素的影響，主要分為生物脅迫和非生物脅迫兩大類。其中干旱和病蟲害是影響世界糧食產(chǎn)量的兩大因素[61]。植物抗性分為避性、御性和耐性3 種形式[62?63]，根據(jù)植物與不同逆境的交互情況又可分為抗旱、抗熱、抗凍、抗?jié)场⒖刮廴?、抗病等[63?64]。在作物受脅迫且未形成不可恢復(fù)的損傷之前，精準識別受脅迫部位，定性脅迫種類，判定脅迫程度，為有效開展植保工作贏得寶貴時機是智慧農(nóng)業(yè)植保工作的目標。此外，分析不同植物受脅迫時的應(yīng)激反應(yīng)有助于選育高抗性的作物品種。

干旱嚴重影響作物生長[65]。研究者們對干旱脅迫進行了大量研究，以期減少其對作物的影響。獲得性耐旱性狀（ADT）是研究作物對干旱脅迫響應(yīng)的重要性狀參數(shù)，VIJAYARAHAVAREDDY 等[66]評估了IR64 和Apo 2 種水稻以及耐旱小麥Weebill 的ADT，開發(fā)了具有自動灌溉系統(tǒng)的新型表型檢測平臺，該平臺可用來獲取植株在生長階段的ADT，提供了評估ADT 特性的最優(yōu)方法。張慧春等[67]以簸箕柳為對象，構(gòu)建了一套面向植物耐旱性研究的多源表型信息采集系統(tǒng)，利用YOLOv3 目標檢測算法和圖像處理算法提取了植物投影葉面積、葉片數(shù)量、冠層溫度、株高等表型參數(shù)。結(jié)果表明，干旱脅迫下簸箕柳的投影葉面積、株高、水分利用率、日耗水量都隨著時間的推移明顯低于正常施水情況。該研究為實時、連續(xù)評估植物在干旱脅迫下的長勢參數(shù)提供了可行性技術(shù)，可促進抗旱基因的快速篩選，指導(dǎo)抗性育種中水分的使用。盡管干旱脅迫相關(guān)研究已取得了一些成就，但是目前的研究大部分都集中在植物表型和生理生化方面[68]，對抗旱基因、分子、蛋白質(zhì)的研究較少，且多數(shù)針對單一基因或單一轉(zhuǎn)錄因子。在基因組、轉(zhuǎn)錄組、蛋白質(zhì)組、代謝組等組學快速發(fā)展的今天，植物耐旱性研究需與多種組學相互融合，促進抗旱基因的篩選。

病蟲害脅迫也是影響農(nóng)業(yè)生產(chǎn)的重要因素，在病蟲害發(fā)生早期進行控制是減少病蟲害對植物破壞的重要手段。如今僅靠人工在田間監(jiān)測病蟲害已經(jīng)不能滿足農(nóng)業(yè)生產(chǎn)精準高效的需求[69]。隨著數(shù)據(jù)分析技術(shù)和圖像采集技術(shù)的發(fā)展，有關(guān)病蟲害脅迫的研究越來越多，如煙草花葉病害嚴重程度判別分析[70]，白菜和菠菜葉潛蠅檢測[71]，對小麥[72]、水稻[73]和玉米[74]病蟲害監(jiān)測等。當前病害檢測主要面臨以下幾個難點[56]：一是圖像背景復(fù)雜，除了染病區(qū)域外，圖像可能包含莖稈、土壤等，還可能受光照、角度差異等因素影響；二是染病區(qū)域和健康區(qū)域可能沒有明顯的邊界；三是同一種病害在不同發(fā)展時期有不同的特征表現(xiàn)，甚至不同位置的病害也會有不同的特征；四是不同種類的病害特征表現(xiàn)可能相同或差異微小，同一位置可能存在多種病害。這些問題給病害檢測帶來了巨大挑戰(zhàn)。自2015年以來，深度學習技術(shù)被廣泛應(yīng)用于植物病理學研究中，與其他方法相比，深度學習有較高的準確率。LI 等[75]提出了一種基于深度學習的自定義主干網(wǎng)植物病蟲害視頻檢測體系結(jié)構(gòu)，將視頻轉(zhuǎn)換為靜止幀發(fā)送到用Faster-RCNN 作為框架的靜態(tài)圖像檢測器進行檢測，檢測過的幀重新合成視頻，該方法能夠?qū)崿F(xiàn)對水稻視頻的檢測。SLADOJEVIC 等[76]研發(fā)了一種基于深度卷積神經(jīng)網(wǎng)絡(luò)的植物病害識別模型，該模型能夠識別出13種不同的病害，并且能夠很好地區(qū)分葉片和周圍環(huán)境。由于深度學習在圖像處理中有顯著的優(yōu)勢，因此，深度學習能夠在一定程度上解決植物病蟲害檢測所面臨的困難?；谏疃葘W習的病蟲害檢測技術(shù)不僅能夠檢測病蟲害類型，還能對感染程度做出判斷。但是，目前植物病蟲害相關(guān)的公開數(shù)據(jù)集較少，不能滿足研究需求，在未來需要注重相關(guān)數(shù)據(jù)庫的建設(shè)。

2.3 與產(chǎn)量相關(guān)的性狀和產(chǎn)量預(yù)測

作物產(chǎn)量與收獲植物器官如禾谷類作物種子的生物量有顯著的相關(guān)性，單位面積穗數(shù)、每穗粒數(shù)以及籽粒質(zhì)量是評估產(chǎn)量的重要指標[77]。然而在現(xiàn)實中很難測量、獲取這些指標，因此，常通過研究與產(chǎn)量相關(guān)的表型性狀來預(yù)測產(chǎn)量。與產(chǎn)量相關(guān)的表型性狀主要有地下和地上兩部分：地下部分包括植物根部的根系尺寸、根系三維形態(tài)以及結(jié)構(gòu)特征等[78]；地上部分包括一些重要器官的形態(tài)參數(shù)，如葉長、葉寬、冠層面積以及植株高度等，還有一系列重要農(nóng)藝性狀，如分蘗數(shù)、單位面積穗數(shù)等[79，63]。隨著圖像識別技術(shù)的發(fā)展，圖像識別成為自動化產(chǎn)量預(yù)測的關(guān)鍵技術(shù)。HU 等[29]提出一種基于X-ray CT 的稻穗3D 圖像自動分析方法來提取谷粒3D 性狀，包括粒數(shù)、粒長、粒寬、粒厚和谷粒體積等23 個性狀，為作物產(chǎn)量預(yù)測提供了基礎(chǔ)。除了植物根部性狀、葉片性狀以及農(nóng)藝性狀外，與光合作用有關(guān)的性狀以及植物生長曲線也可以用于產(chǎn)量預(yù)測。生長率通常是通過計算地上部分生物量得到的，而傳統(tǒng)的地上部分生物量測量方法對作物有一定的破壞。針對傳統(tǒng)生長率測量存在的問題，DEERY等[26]提出一種基于激光雷達的小麥地上部分生物量和生長率可重復(fù)性檢測方法，利用地面激光LiDAR技術(shù)對拔節(jié)期到開花期的98 個不同基因型小麥的冠層表型信息進行獲取，用以評估地上生物量和生長率。

部分作物產(chǎn)量預(yù)測方法建立在對果實目標有效識別的基礎(chǔ)上，例如研究人員通過設(shè)計水果獨特的特征屬性如顏色、紋理、形狀等，從背景樹葉中鑒別出水果，然后采用基于區(qū)域和計數(shù)的方法估計水果產(chǎn)量[61]。對作物果實目標的識別往往受不同生長時期果實的顏色、形狀、紋理、位置和大小等動態(tài)變化的影響，特定的算法通常只適用于特定生長期的果實識別。深度學習是解決產(chǎn)量預(yù)測中果實目標分割困難的關(guān)鍵技術(shù)。李志軍等[80]以蘋果樹為研究對象，提出了一種包括改進YOLOv5 果實檢測算法和產(chǎn)量擬合網(wǎng)絡(luò)的產(chǎn)量預(yù)測方法，結(jié)果表明，該方法能夠準確檢測果實，并能很好地預(yù)測果樹產(chǎn)量，基本滿足自然環(huán)境下樹上蘋果的測產(chǎn)要求，為智慧化果園管理提供了技術(shù)支持。除在水果產(chǎn)量預(yù)測中的應(yīng)用外，深度學習技術(shù)還可用于水稻、小麥等糧食作物的產(chǎn)量預(yù)測，ALKHUDAYDI 等[81]提出了基于深度學習識別田間條件下英國面包小麥穗?yún)^(qū)域的表型分析方法，利用分布式表型分析工作站CropQuant 收集的小麥圖像，開發(fā)了一種基于深度學習的分析管道，用于復(fù)雜背景和穗?yún)^(qū)分割。采用全卷積神經(jīng)網(wǎng)絡(luò)（FCN）對圖像進行語義分割，從而分割小麥穗?yún)^(qū)域，為提取單位面積穗數(shù)和每穗小穗數(shù)等與產(chǎn)量相關(guān)的性狀奠定了基礎(chǔ)。

3 研究展望

近年來，國內(nèi)外的植物表型組學研究均取得了大量成就，在表型采集設(shè)備以及表型數(shù)據(jù)分析方面都取得重大進展，構(gòu)建了大量高通量、高精度的表型研究平臺。植物表型組學是數(shù)字農(nóng)業(yè)轉(zhuǎn)向智慧農(nóng)業(yè)的關(guān)鍵技術(shù)之一，其已逐漸滲透到農(nóng)業(yè)生產(chǎn)中，為智慧育種和智慧種植提供了技術(shù)支持，但是目前植物表型組學研究仍存在一些不足，在未來的研究和應(yīng)用中需要進一步完善。

（1）在表型數(shù)據(jù)采集方面，首先，集成多種傳感器的表型采集平臺是未來研究的重點[13]。單獨使用某種傳感器存在測量樣本批量小、數(shù)據(jù)處理速度慢、表型參數(shù)單一等問題。多個分辨率高、抗干擾性強的傳感器融合，可實現(xiàn)同時測量多個表型參數(shù)，獲取更全面的表型數(shù)據(jù)。其次，當前很多表型研究缺少對植物生長環(huán)境的監(jiān)測[13]，生長環(huán)境對植物的影響不可忽略，同一作物的相同基因在不同環(huán)境下的表型可能不同。應(yīng)在表型采集平臺中加入相應(yīng)的環(huán)境信息采集設(shè)備，在記錄表型信息的同時記錄環(huán)境信息。此外，要促進低成本、高通量、高精度的植物表型數(shù)據(jù)獲取設(shè)備的發(fā)展，提高植物表型數(shù)據(jù)獲取的效率。

（2）在表型數(shù)據(jù)解析方面，隨著高通量表型數(shù)據(jù)采集技術(shù)的發(fā)展，植物表型數(shù)據(jù)呈現(xiàn)出多樣、海量的特點，這給表型數(shù)據(jù)解析帶來了巨大的挑戰(zhàn)，人工智能和計算能力是表型技術(shù)普及應(yīng)用的突破點。深度學習在海量數(shù)據(jù)處理和圖像處理中有顯著的優(yōu)勢，以深度學習為框架的算法逐漸成為植物表型數(shù)據(jù)分析的關(guān)鍵技術(shù)。三維重建技術(shù)是表型研究的一個熱點，它提供了一種無損觀測不同環(huán)境和不同時期植物表型的方法。在未來的發(fā)展中，應(yīng)將深度學習、機器學習、三維重建等技術(shù)相互融合，以解決現(xiàn)存的技術(shù)瓶頸，提高表型數(shù)據(jù)分析的效率。

多學科融合是植物表型組學未來的發(fā)展方向，隨著表型數(shù)據(jù)采集技術(shù)和分析技術(shù)不斷進步，有越來越多高精度、高通量的表型研究平臺用于智慧農(nóng)業(yè)建設(shè)中，為智能、高效的作物管理和育種提供技術(shù)支持。植物表型組學的進一步發(fā)展將推動我國智慧農(nóng)業(yè)的發(fā)展進程。