在現(xiàn)代農(nóng)業(yè)研究中，植物表型分析作為連接植物基因與環(huán)境因素的關鍵橋梁，對于加速作物改良和提升農(nóng)業(yè)生產(chǎn)力具有重要意義。然而，傳統(tǒng)的植物表型分析系統(tǒng)大多在白天運行，面臨著光照變化和陰影干擾等諸多挑戰(zhàn)，影響了表型數(shù)據(jù)的準確性和穩(wěn)定性。近日，中國科學院遺傳發(fā)育所、慧諾瑞德公司和華中科技大學聯(lián)合提出的一項創(chuàng)新性研究突破了這一局限，成功構(gòu)建了一種基于夜間環(huán)境的高通量植物表型分析系統(tǒng)，并以水稻為案例進行了深入研究，為植物表型分析領域帶來了新的曙光。該成果于2025年4月7日在中科院一區(qū)top期刊Computers and Electronics in Agriculture在線發(fā)表。
植物表型是指植物基因型在特定環(huán)境下表現(xiàn)出的形態(tài)和生理特征，這些特征對于理解植物生長模式、應激反應和生產(chǎn)力至關重要。傳統(tǒng)的表型獲取方法依賴于人工采樣和手工測量，這種方式不僅耗時費力，而且主觀性強，難以滿足現(xiàn)代大規(guī)模表型研究的需求。因此，高通量植物表型平臺（HTPP）應運而生，它能夠?qū)崿F(xiàn)非破壞性、自動化、準確和快速的表型數(shù)據(jù)采集。然而，白天的光照條件變化劇烈，導致基于視覺的表型系統(tǒng)在數(shù)據(jù)采集時容易出現(xiàn)誤差。為了解決這一問題，研究人員開始探索夜間植物表型分析的可能性，因為夜間環(huán)境相對穩(wěn)定，光照條件可控，能夠有效減少光照變化和陰影對圖像分析的影響。
研究人員對軌道式高通量植物表型平臺TraitDiscover進行了定制化改造，使其能夠在夜間穩(wěn)定運行。具體來說，他們設計了一種陣列式照明系統(tǒng)，確保在低光照條件下也能獲得高質(zhì)量的圖像。這種照明系統(tǒng)采用了高效率的全光譜LED燈珠，均勻分布在相機周圍，消除了陰影和熱點，確保了圖像的一致性。此外，研究人員還開發(fā)了一種三軸自動控制系統(tǒng)，能夠根據(jù)植物的大小和形狀進行精確調(diào)整，確保對不同區(qū)域的詳細分析。
軟件方面，研究人員集成了最先進的YOLOv8目標檢測和K-Net語義分割框架，以實現(xiàn)高性能的夜間圖像分析。此外，研究人員還開發(fā)了一個名為TraitNavigator的Web應用程序，用于管理傳感器、規(guī)劃路徑、調(diào)度任務和分析數(shù)據(jù)。TraitNavigator提供了一個用戶友好的界面，用于配置多種傳感器，確保每個設備都能精確校準以捕獲準確的表型數(shù)據(jù)。路徑規(guī)劃算法能夠自動化機械部件（如三軸平臺）的運動路徑規(guī)劃，確保全面且高效的掃描過程。任務管理功能能夠根據(jù)定義的協(xié)議安排和執(zhí)行實驗，使用戶能夠輕松啟動、監(jiān)控和控制過程。Web服務的集成增強了數(shù)據(jù)收集過程的靈活性，確保用戶可以隨時隨地參與實驗。
圖2 PhenoNight圖像分析流程
為了評估表型分析方法的性能，研究人員構(gòu)建了一個高質(zhì)量的夜間水稻圖像分割數(shù)據(jù)集。該數(shù)據(jù)集包含360張精細標注的夜間水稻圖像，涵蓋了不同的生長階段和環(huán)境條件。研究人員使用LabelMe軟件進行了手動標注，確保了數(shù)據(jù)的準確性和可靠性。這些標注的圖像為模型的訓練和驗證提供了堅實的基礎。
實驗結(jié)果令人振奮。定制的夜間表型分析系統(tǒng)在圖像分割性能上表現(xiàn)出色，達到了93.52%的高分割精度（mask IoU），這一指標顯著高于白天表型分析所報告的指標。從圖像分析結(jié)果中，研究人員進一步提取并驗證了28個與顏色、形態(tài)和紋理相關的表型參數(shù)。這些參數(shù)與實際測量值之間的平均相關系數(shù)（R²）達到了0.95，充分證明了系統(tǒng)在夜間表型分析中的可靠性和穩(wěn)定性。這一成果不僅為夜間植物表型分析提供了有力的技術(shù)支持，也為植物表型分析領域帶來了新的研究思路和方法。
研究人員對比了多種經(jīng)典作物分割算法在夜間環(huán)境下的表現(xiàn)，發(fā)現(xiàn)這些算法在處理夜間圖像時存在顯著的局限性。例如，某些算法在處理深色背景或水面上的反射時表現(xiàn)不佳，無法準確區(qū)分水稻植株和背景。而K-Net模型在夜間水稻圖像分割任務中表現(xiàn)出色，其mIoU（平均交并比）達到了93.52%，顯著優(yōu)于其他方法。這一結(jié)果表明，K-Net模型能夠有效地處理夜間環(huán)境中的復雜背景和光照條件，為夜間表型分析提供了可靠的圖像分割解決方案。
圖3 不同方法的夜間水稻分割性能對比
研究人員從分割后的圖像中提取了28個表型參數(shù)，包括顏色、形態(tài)和紋理特征。這些參數(shù)涵蓋了從植株的綠色面積比例到葉片的紋理復雜度等多個方面。實驗結(jié)果表明，這些參數(shù)與實際測量值之間的平均相關系數(shù)（R²）達到了0.95，表明系統(tǒng)能夠準確地提取表型信息。例如，顏色參數(shù)（如平均紅色、綠色和藍色值）的R²值均大于0.98，形態(tài)參數(shù)（如冠層寬度和長度）的R²值也達到了0.98或更高。這些結(jié)果表明，夜間表型分析系統(tǒng)不僅能夠準確地分割水稻植株，還能可靠地提取表型參數(shù)，為植物生長和發(fā)育的研究提供了有力支持。
圖4 代表性的表型性狀：顏色、形態(tài)、紋理特征
圖5 表型參數(shù)的預測結(jié)果和真實值的R²
本研究的成果具有重要的科學意義和應用價值。首先，它證明了夜間環(huán)境能夠?qū)崿F(xiàn)高精度、高一致性的高通量植物表型分析，為植物表型分析提供了一種新的選擇。其次，研究人員開發(fā)的夜間工作模式和數(shù)據(jù)集為未來夜間植物圖像分析提供了寶貴的技術(shù)資源和數(shù)據(jù)支持。未來，研究人員計劃將該系統(tǒng)擴展到更多植物種類，并進一步探索夜間環(huán)境中其他傳感器的應用，以獲取更全面的植物表型信息，為農(nóng)業(yè)生產(chǎn)和植物科學研究提供更有力的技術(shù)支持。
慧諾瑞德公司實習生/華中科技大學人工智能與自動化學院徐冰慧和慧諾瑞德公司張佳菲為論文共同第一作者；中國科學院遺傳與發(fā)育生物學研究所胡偉娟博士、慧諾瑞德公司/宏表型實驗室公司韓志國博士和華中科技大學陸昊博士為論文共同通訊作者；中國科學院遺傳與發(fā)育生物學研究所博士生湯芷歆、慧諾瑞德公司張勇帥和徐伶俐，一起深度參與了本研究。本研究得到了國家重點研發(fā)計劃（2023YFF1001502）、國家自然科學基金/面上項目（32370435）、長春市市院科技創(chuàng)新合作專項（23SH18）和慧諾基金等項目的資助。
