基于無人機多光譜圖像和SRGAN的大白菜單株表型測定研究
Plant Phenomics | 基于無人機多光譜圖像和SRGAN的大白菜單株表型測定研究
隨著信息化、數(shù)字化技術(shù)的發(fā)展，遙感成像已成為精準農(nóng)業(yè)中獲取作物信息的重要手段，也是計算小區(qū)域面積、作物品種鑒定和生長分析的重要數(shù)據(jù)來源。大白菜 (Brassica rapa L. ssp.) 是亞洲最重要的蔬菜之一，中國作為大白菜的產(chǎn)地和遺傳多樣性中心，種質(zhì)資源極為豐富，擁有許多地方品種。傳統(tǒng)的大白菜表型測定方法嚴重依賴人工評價和測量，具有主觀性強且耗時的缺點，故快速無損的大白菜表型鑒定技術(shù)對育種具有重要意義。
2022年12月，Plant Phenomics在線發(fā)表了河北農(nóng)業(yè)大學范曉飛教授團隊題為Multispectral Drone Imagery and SRGAN for Rapid Phenotypic Mapping of Individual Chinese Cabbage Plants 的研究論文。
本研究利用低成本無人機系統(tǒng)采集白菜田的遙感圖像，用于估算白菜的展開度和相對葉綠素含量（SPAD）。選取河北農(nóng)業(yè)大學位于辛集馬蘭農(nóng)場的大白菜試驗基地，此試驗基地白菜均為自培育特殊的大白菜品種。采用大疆精靈4 Pro無人機搭載具有五通道的多光譜成像設(shè)備獲取露地白菜圖像，經(jīng)過圖像預處理、數(shù)據(jù)集劃分、圖像分辨率增強并分割后，計算或預測表型參數(shù)。本研究中圖像預處理包括遙感圖像的拼接與合成，此部分根據(jù)圖像采集中每一張圖像的POS點進行整幅遙感圖像的拼接，并利用ArcMap對拼接后的圖像進行處理，對每一株白菜進行圖像標記。
為了提高模型分割精度，本研究采用超分辨率生成對抗網(wǎng)絡(luò)（super-resolution generative adversarial network, SRGAN）提高原始圖像的分辨率，將可見光圖像、多光譜圖像、分辨率提升后的圖像結(jié)合深度學習的語義分割網(wǎng)絡(luò)模型（unity networking, UNet）實現(xiàn)單株白菜的分割。根據(jù)單個白菜的像素值和地面采樣距離（ground sample distance, GSD）計算實際長度和寬度。基于去除背景后的單個白菜RGB圖像，分析了白菜的SPAD值。通過對各種模型的比較，采用SRGAN進行分辨率提升后的模型預測效果最好。對于SPAD預測和展開度預測，SRGAN分辨率增強后的RGB圖像的UNet模型R2分別大于0.75和0.84，RMSE分別低于2.12和3.72，RMSPE分別低于0.05和0.10。本研究表明引入了SRGAN對圖像分辨率進行增強后模型精度得到提高，利用無人機遙感圖像預測大白菜的展開度和SPAD值的測量結(jié)果可靠，該方法為大白菜育種研究提供了低成本、易操作的表型性狀定量獲取技術(shù)。
圖6 SRGAN分辨率增強效果。以兩株單株大白菜顯示為示例，左邊是實際圖像，右邊是經(jīng)過SRGAN分辨率增強的圖像
圖9 三種UNet模型的擬合性能。(A)多光譜圖像模型的實際寬度與預測寬度。(B)使用RGB圖像且沒有分辨率增強的模型的實際寬度與預測寬度。(C) RGB圖像和分辨率增強模型的實際寬度與預測寬度。(D)多光譜圖像模型的實際長度與預測長度。(E)使用RGB圖像且沒有分辨率增強的模型的實際長度與預測長度。(F) RGB圖像和分辨率增強后模型的實際長度與預測長度。
河北農(nóng)業(yè)大學博士研究生張君為論文第一作者，河北農(nóng)業(yè)大學范曉飛教授、申書興教授和趙建軍教授為論文通訊作者。
作者團隊介紹
第一作者簡介：
張君，1996年生，河北石家莊人，博士研究生。主要研究方向為利用機器視覺及深度學習技術(shù)對作物表型無損快速測定等研究。目前負責河北省在讀研究生創(chuàng)新能力培養(yǎng)資助項目1項，授權(quán)實用新型專利6項，以第一作者發(fā)表SCI等學術(shù)論文4篇。
通訊作者簡介：
范曉飛，1979年生，河北張家口人，博士，河北農(nóng)業(yè)大學校聘教授，博導，河北農(nóng)業(yè)大學國際教育交流學院副院長，享受河北省政府特殊津貼，河北省“百人計劃”專家。主要從事作物表型組學、農(nóng)業(yè)人工智能與智能化農(nóng)業(yè)裝備等領(lǐng)域研究。2010-2018年在美國孟山都公司總部任職中層研發(fā)管理，主持及參與了22個項目的研發(fā)，其中6項為百萬美元以上項目。被今日頭條、科學日報、密蘇里電視臺等多家國內(nèi)外媒體采訪和報道。目前主持國家自然科學基金、河北省重點研發(fā)計劃等各類科研項目10余項；授權(quán)國際發(fā)明專利2項，國家發(fā)明、實用新型專利10余項，發(fā)表SCI等學術(shù)論文30余篇。
團隊合照
論文鏈接：
https://doi.org/10.34133/plantphenomics.0007
——推薦閱讀——
Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones
https://doi.org/10.34133/2020/3729715
Plant Phenomics | 使用無人機多視角成像技術(shù)估算小麥幼苗分蘗數(shù)
The Application of UAV-Based Hyperspectral Imaging to Estimate Crop Traits in Maize Inbred Lines
https://doi.org/10.34133/2021/9890745
Plant Phenomics | 無人機高光譜影像在玉米自交系作物性狀估算中的應(yīng)用
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、專刊發(fā)布會等高質(zhì)量活動。
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應(yīng)用，與植物表型相結(jié)合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關(guān)的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2021影響因子為6.961，位于農(nóng)藝學、植物科學，遙感一區(qū)。中科院農(nóng)藝學、植物科學一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
特邀作者：張君、范曉飛
排版：陳新月（實習）
審核：孔敏、王平
