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(guān)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(xué)院遺傳發(fā)育所、慧諾瑞德公司和華中科技大學(xué)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(lǐng)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(yīng)激反應(yīng)和生產(chǎn)力至關(guān)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(yīng)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(dǎo)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(shè)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(yīng)用程序，用于管理傳感器、規(guī)劃路徑、調(diào)度任務(wù)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(shè)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(wù)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(wù)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。
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(xùn)練和驗證提供了堅實的基礎(chǔ)。
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(guān)的表型參數(shù)。這些參數(shù)與實際測量值之間的平均相關(guān)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(lǐng)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(wù)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(fù)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。
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(fù)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(guān)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(yù)測結(jié)果和真實值的R²
本研究的成果具有重要的科學(xué)意義和應(yīng)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(yīng)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(xué)研究提供更有力的技術(shù)支持。
慧諾瑞德公司實習(xí)生/華中科技大學(xué)人工智能與自動化學(xué)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(xué)院遺傳與發(fā)育生物學(xué)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(xué)陸昊博士為論文共同通訊作者；中國科學(xué)院遺傳與發(fā)育生物學(xué)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(xué)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。
