數字圖像技術及其在作物表型研究中的應用研究進展

潘銳，熊勤學，張文英

主要糧食作物產業化湖北省協同創新中心(長江大學)，湖北 荊州 434025；長江大學作物抗逆技術研究中心，湖北 荊州 434025

?

數字圖像技術及其在作物表型研究中的應用研究進展

潘銳，熊勤學，張文英

主要糧食作物產業化湖北省協同創新中心(長江大學)，湖北 荊州 434025；長江大學作物抗逆技術研究中心，湖北 荊州 434025

介紹了目前作物表型性狀采集中常用的2類數字圖像技術——光學成像技術和微波成像技術，包括其原理、優缺點及在作物表型研究中的應用實例。結合表型組學，綜述了室內和田間不同環境下高通量表型分析平臺在作物表型研究中的應用研究進展，并對其發展趨勢進行展望。

數字圖像技術；作物；表型；表型組學

表現型(phenotype)指具有特定基因型(genotype)的個體在一定環境條件下表現出來的性狀特征的總和，如根形態、生物量、葉部性狀、光合作用性狀、果實性狀、產量相關性狀、品質性狀、營養性狀、病蟲害、非生物逆境響應等。過去20年，植物基因組學和分子標記技術取得飛速發展，但是作為植物研究的重要環節——表型性狀采集，卻成為制約作物功能研究、分子育種發展的一大瓶頸。傳統的表型指標采集，每種儀器、用具只能測量一種或少數幾種指標,檢測速度慢，耗時耗力,受人工操作、環境條件制約，不少檢測有損傷操作[1]。數字圖像技術的發展和應用為作物表型數據無損失、自動化、高通量采集提供了解決途徑。目前，用于植物表型研究的數字圖像技術主要有光學成像技術和微波成像技術。筆者主要介紹這些技術的原理及其在植物表型研究方面的應用及優缺點，并給出應用案例。

1　光學成像技術

1.1高光譜成像技術

高光譜成像技術是指利用遙感儀器在特定光譜域以高光譜分辨率(光譜分辨率≤10nm以下)獲取連續性地物光譜圖像的遙感技術。成像光譜儀為每個像元提供數十至數百個窄波段(通常波段寬度<10nm)光譜信息，可產生一條完整而連續的光譜曲線。高光譜圖像具有較高的空間分辨率和較高的光譜分辨率[2]，利用這些高光譜圖像，可以研究目標物體的物質結構和化學組成，從而進一步判斷目標物體的屬性。

高光譜成像技術作為數字農業技術，被廣泛應用于作物表型采集領域[3～5]。它不僅可以用來檢測作物某個生理指標或某種成份含量[6,7]，還能觀測植物某些器官[8]，以及鑒定一些作物病蟲害[9,10]等。如李美凌等[7]基于高光譜成像技術進行水稻種子活力檢測，以老化程度不同的水稻種子為供試材料，測定出400～1000nm范圍內的高光譜圖像，利用選取的主成分下的水稻種子光譜數據，建立不同老化程度下種子的支持向量機模型。結果表明，該方法的判別率達100%。馮慧等[8]在水稻莖葉分割研究中，利用高光譜相機采集水稻光譜數據，對數據采用主成分分析，提取出主成分圖像，再基于數字圖像處理技術將水稻的莖葉區分開，從而實現水稻莖葉的無損準確分割。此外，高光譜成像技術也被成功應用于糧食產品質量檢測[11]、植物種子萌發檢測[12]等方面。

高光譜成像技術獲得廣泛應用，在于它與傳統的成像技術相比具有以下優點:①光譜分辨率較高，具有100～400個光譜通道的探測能力，一般光譜分辨率可達λ/Δλ≈100；②測量時對作物無損害、無污染；③測量速度快，操作簡單；④集成度高、成本低。值得注意的是，高光譜成像技術也存在一些問題。高光譜成像技術最主要的局限性是成像儀獲取的信息冗雜，要從中獲取有用信息，就要對所采集的大量圖像數據進行分析處理，而有效處理這些圖像信息是一件具有挑戰性的工作[13]。

1.2熱成像技術

紅外輻射是自然界廣泛存在的電磁波輻射，一切高于絕對零度的物體都在不斷發出紅外輻射[14]。熱成像技術就是利用紅外探測器和光學成像物鏡，接收被測物體散發出的紅外輻射，從而產生紅外熱圖像，由此用來研究目標物體的特征信息。熱成像技術是對紅外輻射的可視化，可指示物體的表面溫度。熱成像相機的敏感光譜范圍為3～14μm，最常用的波長是3～5μm或者7～14μm。在這2個波長范圍內，紅外輻射在空氣中的速度接近其最大值[15]。

熱成像技術首先在航空、軍事、工業等領域被廣泛應用。近些年來，隨著熱成像精度的提高和計算機數字圖像處理技術的發展，熱成像技術在農業上的應用也取得了快速發展，尤其隨著紅外無損檢測技術的興起，熱成像技術在作物病蟲害的早期檢測方面取得了重大突破。

以小麥白粉病早期檢測為例，Awad等[16]選取對小麥白粉病中度敏感的材料，分組進行不同處理，然后在同等適宜條件下培養，并用紅外熱成像儀觀測小麥的葉片表面溫度，捕捉熱紅外圖像和其他相關數據，比較試驗組和對照組的大量熱紅外圖像。分析發現，小麥在感染了白粉菌的1h后，葉片表面溫度有輕微下降。由此，熱成像技術能在小麥早期病害診斷方面提供必要的信息。

熱成像技術還可應用于其他方面。如農產品品質的無損檢測[17]、農作物生長監測及逆境下的生理反應檢測[18,19]、作物的抗旱性檢測[20]等。

熱成像技術主要優點有：①測量速度快，檢測時不接觸作物，對作物無損傷；②可大面積、遠距離檢測；③測量精度高；④空間分辨率高；⑤操作簡單，可自動化和實時觀測。該技術的局限性在于：①成像系統易受氣候影響，尤其是在田間復雜的環境中，難以實現精確的測量；②該技術利用物體不同部分表面的紅外輻射差異成像，有些作物在常溫下各部分溫度差異不明顯，很難準確成像；③農作物種類繁多，目前尚未構建完備的熱輻射特性模型用于熱成像圖像分析。

1.3熒光成像技術

熒光是指一種光致發光的冷發光現象。當某種常溫物質經某種波長的入射光(通常是紫外線或X射線)照射，吸收光能后進入激發態，立即退激發并發出比入射光的的波長長的出射光(通常波長在可見光波段)；一旦停止入射光，發光現象也隨之立即消失。具有這種性質的出射光被稱為熒光。

熒光成像系統通常由相機、激發光源、濾光片和計算機4個部分組成。相機通常采用波段連續且靈敏度高的單色相機，以捕捉比普通光微弱的熒光；激發光通常有4個波段，其中藍光(波長435～480nm)被類胡蘿卜素和葉綠素吸收；紅光(波長640～780nm)只能被葉綠素吸收；綠光(波長500～560nm)被葉綠素吸收，但吸收量很小；紫外光(280～315nm)既能激發葉綠素熒光，還能激發短波熒光。濾光片通常是根據所需采集的熒光信號，安裝不同顏色的濾光片來獲取特定波長的激發光。計算機用來對采集信號存儲和處理分析。

熒光成像技術在作物表型采集方面多用于作物逆境的生理反應及對作物病蟲害的檢測等[21,22]。在低溫脅迫對水稻幼苗不同葉齡葉片葉綠素熒光特性的影響研究[23]中，選取5個不同的水稻品種(系)進行低溫(4℃)處理，采用調制葉綠素熒光成像系統進行葉綠素熒光參數測定。結果發現在不同葉齡葉片的PSⅡ最大光化學量子產量(FV/FM)、不同葉齡葉片光化學淬滅系數(qP)和非光化學淬滅系數(qN)以及不同葉齡葉片的快速光響應曲線等存在顯著差異。熒光成像也可用于其他方面，如Harbinson等[24]將該技術用于作物育種的高通量單株篩選；Lee等[25]用萘熒光探針探測鋅在擬南芥HeLa細胞中的分布，Bauriegel等[26]用于作物的早期病害檢測等。

與其他成像技術相比，熒光成像具有一些優勢：①可測出作物的內部信息；②檢測指標多樣，能檢測作物內部病害或元素缺失；③采集信息時不受溫度、光照等環境因素影響；④操作簡單，使用便捷，可在田間使用；⑤成本低。同樣地，熒光成像存在較大的局限性，它只能檢測與葉綠素或者其他色素含量變化相關的生理反應參數，從而限制了它的應用范圍。

2　微波成像技術

微波是電磁波的一種，頻率在300M～300GHz之間，具有頻率高、信息量大、穿透性好的特點。微波成像主要指以微波作為信息載體的一種成像手段，實質屬于電磁逆散射問題。成像的方法是將微波射入被測目標，讓其透過目標并攜帶出目標的內部信息，接受信息后在計算機中進行一系列的處理和運算，形成圖像。

微波技術首先廣泛應用于工業、航空業、醫療業等領域。該技術在農業上主要用于單株植物的三維成像，包括株型的三維模型研究[27,28]、根系的形態探測[29,30]等方面。在單株玉米的三維建模中，劉睿等[28]通過對玉米進行激光雷達掃描試驗，獲取玉米植株每個點的點云數據，然后通過一系列的算法生成多邊形網格或者參數曲面片，從而建立玉米植株的三維模型。另外，針對具有無損性探測的特點，崔喜紅等[29]使用對地雷達系統，對植物的根系進行探測，探測數據經過軟件處理，繪制出根系的三維圖像。結果表明，通過與實際測量對比，雷達探測出的圖像具有很高的相似性。同時，微波成像不受天氣和距離的影響，可全天候用于農作物遙感識別[31]。

微波成像技術的優勢在于：①能穿透障礙物，探測無法直接觀測的部位；②測量不受時空限制，能夠測時測距；③所成圖像為三維立體圖像。局限性表現在：①成像精度不高導致獲取的信息質量不高；②數據源較少，獲取的云點在重疊部位易丟失；③成像的圖片處理難度較大。

3　展望

數字圖像技術改進了傳統的單一表型采集技術,在植物表型采集方面的應用已取得顯著成效。表型組學(phenomics)的迅猛發展，對快速、無損、綜合、高通量采集作物表型信息提出了新的挑戰。植物高通量表型分析平臺能夠在一段時期內對大批量的測試對象采集個體植物多種表型數據，并且將這些數據轉化為定性或者定量的結果。1998年，比利時率先研發高通量植物表型采集平臺。2008年，澳洲植物表型組學設施(Australian Plant Phenomics Facility)在澳大利亞阿德雷德大學威特校區建立。2009年4月，第一屆國際植物表型組大會在澳大利亞堪培拉成功舉辦。迄今為止，各種不同的自動化或半自動化的表型分析平臺已取得較大的進展[32]。

相比較而言，室內高通量表型分析平臺起步早、發展快，并且在作物研究中取得一系列成功應用。例如帕拉茨基大學利用PlantScreen植物表型成像分析系統開展擬南芥的表型采集，并用于豌豆低溫脅迫的表型變化觀測[33]，汪珂等[34]利用高通量分析技術采集玉米籽粒性狀。

在作物研究中，田間試驗是不可缺少的環節。近年來，高通量田間表型采集的成功案例也時有報道。如Zhu等[35]對根系的研究、Trachsel等[36]對玉米根構型的研究以及Araus等[37]在作物遺傳改良方面的應用等。不容置疑，田間高通量表型分析仍存在諸多問題。在數據采集方面，各種成像技術都有著自己的制約條件，受到外界溫度、光照等復雜的田間環境因素影響，一些遙感的成像技術受其測量精度制約。在數據處理方面，如何處理高通量表型分析獲得的龐大數據，特別是其中大量冗雜信息，以最低的成本獲取需要的信息。此外，田間高通量分析需要用到多種傳感、定位技術，如何應對田間環境多變性，如何精準協調各個部件，也需要進一步研究。

高通量表型分析平臺的廣泛使用是未來作物表型研究的一個必然的趨勢，還需要更多的技術攻關和協作。目前，將多種成像技術綜合運用的嘗試取得了一些可喜進展，但是任重而道遠。

[1]潘映紅.論植物表型組和植物表型組學的概念與范疇[J].作物學報,2015,41(2):175～186.

[2]Li J,Rao X,Ying Y.Detection of common defects on orangesusing hyperspectral reflectance imaging[J].Compute Electronics in Agriculture,2011,78:38～48.

[3] 田永超,楊杰,姚霞,等.利用葉片高光譜指數預測水稻群體葉層全氮含量[J].作物學報,2010,36(9):1529～1537.

[4]陳維軍,周啟發,黃敬峰.用高光譜植被指數估算水稻乳熟后葉片和穗的色素含量[J].中國水稻科學,2006,20(4):434～439.

[5]Mahlein A K,Steiner U,Hillnhütter C,etal.Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet diseases[J].Plant Methods,2012,8:3～15.

[6]楊杰,田永超,姚霞,等.水稻上部葉片葉綠素含量的高光譜估算模型[J].生態學報,2009,29(12):6561～6571.

[7]李美凌,鄧飛,劉穎,等.基于高光譜圖像的水稻種子活力檢測技術研究[J].浙江農業學報,2015,27(1) :1～6.

[8]馮慧,熊立仲,陳國興,等.基于高光譜成像和主成分分析的水稻莖葉分割[J].激光生物學報,2015,24(1):31～38.

[9]Huang W,Lamb D W,Niu Z,etal.Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging[J].Precision Agriculture,2007,8:187～197.

[10]Bock C H,Poole G H,Parker P E,etal.Plant disease severity estimated visually,by digital photography and image analysis,and by hyperspectral imaging[J].Critical Reviews in Plant Sciences,2010,29：59～107.

[11]Gowen A A,O′Donnell C P,Cullen P J,etal.Hyperspectral imaging——an emerging process analytical tool for food quality and safety control[J].Trends in Food Science & Technology,2007,18:590～598.

[12]Nansen C,Zhao G,Dakin N,etal.Using hyperspectral imaging to determine germination of native Australian plant seeds[J].Journal of Photochemistry and Photobiology B:Biology,2015,145:19～24.

[13]ElMasry G,Wang N,Vigneault C.Detecting chilling injury in Red Delicious apple using hyperspectral imaging and neural networks[J].Postharvest Biology and Technology,2009,52:1～8.

[14]徐小龍,蔣煥煜,杭月蘭.熱紅外成像用于番茄花葉病早期檢測的研究[J].農業工程學報,2012,28(5):145～149.

[15]Li L,Zhang Q,Huang D.A Review of imaging techniques for pant phenotyping[J] Sensors,2014,14:20078～20111.

[16]Awad Y M,Abdullah A A,Bayoumi T Y,etal. Early Detection of Powdery Mildew Disease in Wheat (TriticumaestivumL.) Using Thermal Imaging Technique[C].The Institute of Electrical and Electronics Engineer，2014:755～765.

[17]Danno A,Miyazato M,Ishiguro E.Quality evaluation of agricultural products by infrared imaging method.III.Maturity evaluation of fruits and vegetables [J].Memoirs of the Faculty of Agriculture,Kagoshima University,1980,16:157～164.

[18]Jones H G.Use of thermography for quantitative studies of spatial and temporal variation of stomatal conductance over leaf surfaces [J].Plant Cell and Environment,1999,22:1043～1055.

[19]Jones H G.Use of infrared thermometry for estimation of stomatal conductance as a possible aid to irrigation scheduling [J].Agricultural and Forest Meteorology,1999,95:139～149.

[20]劉亞.遠紅外成像技術在植物干旱響應機制研究中的應用[J].中國農學通報,2012,28(3):17～22.

[21]盧勁竹,蔣煥煜,崔笛.熒光成像技術在植物病害檢測的應用研究進展[J].農業機械學報,2014,45(4):244～252.

[22]Daley P F.Chlorophyll fluorescence analysis and imaging in plant stress and disease[J].Canadian Journal of Plant Pathology,1995,17:167～173.

[23]王春萍,雷開榮,李正國,等.低溫脅迫對水稻幼苗不同葉齡葉片葉綠素熒光特性的影響[J].植物資源與環境學報,2012,21(3):38～43.

[24]Harbinson J,Prinzenberg A E,Kruijer W,etal.High throughput screening with chlorophyll fluorescence imaging and its use in crop improvement[J].Current Opinion in Biotechnology,2012,23:221～226.

[25]Lee J H,Lee J H,Jung S H,etal.Highly selective fluorescence imaging of zinc distribution in HeLa cells andArabidopsisusing a naphthalene-based fluorescent probe[J].Chemical Communications,2015,51:7463～7465.

[26]Bauriegel E,Giebel A,Geyer M,etal. Early detection of Fusarium infection in wheat using hyper-spectral imaging[J].Computers and Electronics in Agriculture,2011,75:304～312.

[27]張建,李宗南,張楠,等.基于實測數據的作物三維信息獲取與重建方法研究進展[J].華中農業大學學報,2013,32(4):126～134.

[28]劉睿,劉婷,董潤茹,等.基于地基激光雷達數據的單株玉米三維建模[J].中國農業大學學報,2014,19(3):196～201.

[29]崔喜紅,陳晉,關琳琳.探地雷達技術在植物根系探測研究中的應用[J].地球科學進展,2009,24(6):606～611.

[30]郭立,范碧航,吳淵,等.探地雷達應用于植物粗根探測的研究進展[J].中國科技論文,2014，(4):494～498.

[31]宋茜,周清波,吳文斌,等.農作物遙感識別中的多源數據融合研究進展[J].中國農業科學,2015,48(6):1122～1135.

[32]de Souza N.High-throughput phenotyping[J].Nature Methods,2010,7:36～36.

[33]Humplik J F,Lazar D,Furst T,etal. Automated integrative high-throughput phenotyping of plant shoots:a case study of the cold-tolerance of pea (PisumsativumL.)[J].Plant Methods,2015,11:1～11.

[34]汪珂,梁秀英,宗力,等.玉米籽粒性狀高通量測量裝置設計與實現[J].中國農業科技導報,2015,17(2):94～100.

[35]Zhu J,Ingram P A,Benfey P N,etal. From lab to field,new approaches to phenotyping root system architecture[J].Current Opinion in Plant Biology,2011,14:310～317.

[36]Trachsel S,Kaeppler S M,Brown K M,etal.Shovelomics:high throughput phenotyping of maize (ZeamaysL.) root architecture in the field[J].Plant and Soil,2011,341:75～87.

[37]Araus J L,Cairns J E.Field high-throughput phenotyping:the new crop breeding frontier[J].Trends in Plant Science,2014,19:52～61.

2016-04-08

國家自然科學基金項目(31471496)。

潘銳(1993-), 男，碩士生，研究方向為非生物逆境抗性。通信作者: 張文英，wyzhang@yangtzeu.edu.cn。

S126

A

1673-1409(2016)21-0038-04

[引著格式]潘銳，熊勤學，張文英.數字圖像技術及其在作物表型研究中的應用研究進展[J].長江大學學報(自科版) ，2016，13(21)：38～41，46.