植物表型監(jiān)測技術研究進展及發(fā)展對策

高宇+高軍萍+李寒+鄭文剛+張婉明

摘要：高效的植物表型監(jiān)測技術作為現(xiàn)代化農業(yè)的一個重要研究方向，是育種、品種選擇、基因組學和表型組學研究的一個先決條件。隨著圖像采集、網絡傳輸技術、圖像處理等技術的發(fā)展，植物表型監(jiān)測技術的實際研究與應用日益得到重視。為了從整體上梳理植物表型監(jiān)測技術的研究成果和存在問題，有效地推動植物表型監(jiān)測技術發(fā)展和農業(yè)現(xiàn)代化進程，本研究介紹了植物表型監(jiān)測技術的國內外研究進展，同時歸納了現(xiàn)階段比較先進的植物表型平臺產品，分析了其技術組成（主要是成像模塊和圖像分析模塊），并且列舉了植物表型監(jiān)測中不同用途的圖像分析方法。在此基礎上闡述了植物表型監(jiān)測技術目前存在的問題及相應對策，最后從3個方面作了前景展望。

關鍵詞：植物表型；監(jiān)測技術；成像模塊；圖像分析

中圖分類號： TP391文獻標志碼： A文章編號：1002-1302（2017）11-0005-06

（aspiring）”的組學研究項目[3]。植物表型是指農藝性狀的評估，如生育期、株高、葉面積、穗質量、分蘗數(shù)、形態(tài)，以及倒伏、病蟲害、抗旱等[1，4]，廣義上也包括細胞的表型特征、組織和器官，即表型組以及轉錄組、蛋白質組、代謝組學等。植物表型作為評估田間試驗植物的關鍵技術，為獲得植物不同生長階段的特征，已開發(fā)出標準的測量尺度方法，如BBCH測量[5-7]。其中，BBCH是國際上通用的一種描述植物生育期的方式。BBCH是Biologische，Bundesanstalt，Bundessortenamt and Chemical industry的縮寫，是一個對所有開花植物的各個生長階段類似表現(xiàn)型統(tǒng)一編碼的系統(tǒng)，以編碼形式準確界定與標準化描述植物的生育期及生長狀態(tài)，是一個較為通用并能包括多植物種類的系統(tǒng)[8]。以水稻為例，00表示種子的狀態(tài)，1X表示秧苗長葉子的狀態(tài)，X表示葉片數(shù)，2X表示分蘗期。由于通過手動測量分析植物的表型生理特征，很耗費時間，會產生高成本，并且分析結果具有不可靠性。手動測量通常在定義良好的靜態(tài)測量條件下執(zhí)行，所得到的數(shù)據(jù)集會產生誤差，往往很難用于制定新的生長過程策略。因此，隨著成像傳感器系統(tǒng)技術的發(fā)展，自動表型監(jiān)測技術的實現(xiàn)克服了上面描述的手工方法的缺點。成像傳感器系統(tǒng)監(jiān)測的數(shù)據(jù)具有客觀性，并且可以對植物表型進行實時監(jiān)測和分析。由于植物表型監(jiān)測信息易于自動處理，也易于同設計信息以及加工控制信息集成，因此，在現(xiàn)代自動化農業(yè)生產過程中，人們將植物表型監(jiān)測系統(tǒng)廣泛地用于高通量植物表型平臺[9-12]。

植物表型監(jiān)測技術是21世紀現(xiàn)代化農業(yè)領域的重大革命。植物表型監(jiān)測技術的科學意義在于準確、快速地獲得具有內在聯(lián)系的各種表型數(shù)據(jù)，有效監(jiān)測農作物的生長情況，而實際意義在于該技術有助于培養(yǎng)優(yōu)秀的生產品種。利用植物表型監(jiān)測可以對溫室植物的生長狀態(tài)實現(xiàn)無損傷監(jiān)測，而且測量結果準確、迅速，可以節(jié)省大量的人力物力，并為設施環(huán)境的調控提供可靠依據(jù)[13-15]。

1研究進展

近幾年來，發(fā)達國家的大型企業(yè)和公眾科研機構都投入了大量經費來構建大型植物表型平臺，前者代表如杜邦先鋒、孟山都、德國LemnaTec公司等，后者代表如澳大利亞植物表型組設施（Australian Plant Phenomics Facilit）“植物加速器”、美國唐納德丹佛植物科學中心、日本理化學研究所等。表1給出了目前世界上已經開發(fā)出的一些植物表型平臺產品，包括其資料來源、功能特性及實際應用等。

自1998年以來，德國的LemnaTec公司在植物表型監(jiān)測系統(tǒng)方面，一直是世界領先的軟件供應商和自動化的研究平臺[16-18]。2013年2月，LemnaTec的Scanalyzers產品系列提供了全方位的表型研究平臺，范圍從臺式系統(tǒng)到監(jiān)測大型農田[19-26]。該公司在很多領域做了新的嘗試，包括育種專家關注的兩大技術：高光譜成像和光合熒光（ΔF/Fm′）成像[27-31]。整個項目從工程的設計階段到交付使用，LemnaTec公司表現(xiàn)出了卓越的工作效率，整個工期不到6個月。同時，Scanalyzers節(jié)能效率高達80%以上。整株植物包含根系部分，都能進行3D成像，通過改進傳輸管理系統(tǒng)，本系統(tǒng)的通量能提高35%，每天可獲得多達2 000株植物的植物表型和生理數(shù)據(jù)，大大提高了巴伐利亞州農業(yè)研究中心（LFL）谷物育種的效率。Scanalyzers系列按照植物表型監(jiān)測的不同需求分為Scanalyzer PL、Scanalyzer 3D、Scanalyzer Field等產品。其中，Scanalyzer PL適合監(jiān)測小范圍或者科學實驗性的植物，根據(jù)測試目的，可以安裝1～2個成像傳感器。此臺式平臺可用不同的背光和頂光模式，監(jiān)測到的表型具有高精度的特點。Scanalyzer 3D系統(tǒng)為不同植物的定量、非破壞性分析或在低吞吐量的條件下的植物模型構建開辟了新的前景。評估農業(yè)田間植物的重要特征，最可靠的方法是田間表型。Scanalyzer Field可以自動地在田間獲得生長、形態(tài)學、生理學信息，并且可以無損地監(jiān)控非常大的范圍，保證高采樣頻率和高精度的效果，已用來分析增長率、生物量、基因以及結構等植物表型，在農業(yè)商業(yè)化生產中具有很大的優(yōu)勢。LemnaTec高通量表型篩查結果為一組巨大的具體表型參數(shù)、分析和報告，提供擬南芥、水稻、玉米到各種其他植物的全方位生理生態(tài)與形態(tài)結構成像分析，進行高通量植物表型成像分析測量、植物脅迫響應成像分析測量、植物生長分析測量、性狀識別及植物生理生態(tài)分析研究等。2008年，科研機構代表澳大利亞植物表型組設施（Australian Plant Phenomics Facilit）在澳大利亞阿德雷德大學威特校區(qū)建立[1-2，32]。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，植物表型組學研究技術也進入一個新的階段[33]。2012年，印度投入巨資，分別在印度農業(yè)研究理事會、印度園藝研究所和印度農業(yè)研究所建立了大型植物表型平臺[34]。表1植物表型平臺產品的比較

表型平臺參考資源功能特性實際應用Scanalyzerhttp：//www.lemnatec.com能源效率>80%；流量增加35%；三維成像2013年2月，德國農業(yè)部長赫爾穆特布魯納宣布，巴伐利亞州農業(yè)研究中心植物表型平臺正式運行WPScanhttp：//www.phenotrait.com超高吞吐量；非代工（Non OEM）；質量控制；大型項目經驗>1002003年，WPS為比利時CropDesign建成世界第一套高吞吐量植物表型系統(tǒng)。TraitMillhttp：//www.cropdesign.com單擊“克隆”軟件機器人；每年可鑒定成百個不同的啟動子-基因2005年，比利時的植物設計公司（CropDesign）成功地開發(fā)了一種稱為TraitMill的技術平臺FieldScanhttp：//phenospex.com每天有數(shù)萬株，5 000株/h高通量FieldScan是一種在表型研究領域中的高通量植物表型平臺KeyBoxhttp：//www.keygene.com可快速拆卸、包裝，最終套件，操作簡單，功能強大2013年9月23日，Keygene已經開發(fā)出1個國際的小型便攜式植物表型平臺Keybox。PlantScreenhttp：//www.phenomics.com.cn實時可見光譜（RGB）成像，熱成像和熒光成像分析2013年，帕拉大學設有2套plantscreen表型成像分析系統(tǒng)DroughtSpotterhttp：//phenospex.com重量控制精度高達0.02%；4種自動灌溉模式DroughtSpotter提供12個或24個獨立的灌溉稱重裝置

我國作為農業(yè)大國，目前許多農業(yè)研究者已在大量文獻資料說明了植物表型監(jiān)測在農業(yè)中的應用，如植物表型監(jiān)測在性狀挖掘、水分脅迫、植物病蟲害、高通量篩選、化學篩選、分子育種等農業(yè)領域中均得到發(fā)展[35-38]。2009年，華中農業(yè)大學和華中科技大學聯(lián)合自主研發(fā)了第一套高通量多參數(shù)植物表型測量設備，即植株表型參數(shù)自動提取系統(tǒng)（RAP-1.0），研究成果總體達到國際先進水平[39]。該系統(tǒng)集光電技術、自動控制和機械化技術于一體，實現(xiàn)了水稻、玉米、小麥、油菜等盆栽植物表型參數(shù)全自動、無損、高通量準確提取，以及植物栽培輸送全自動一體化。測量參數(shù)包括：株高、分蘗數(shù)、葉片角度等株型相關參數(shù)，以及綠葉面積、鮮質量、干質量等生長發(fā)育相關參數(shù)。測量效率為30 s/株，即2 880株/d。在RAP-1.0的基礎上增加近紅外成像暗室和熒光成像暗室，可以升級為RAP-1.1，可實現(xiàn)植株水分分布、葉綠色熒光等生理表型參數(shù)實現(xiàn)無損高通量提取，總體測量效率為45 s/株，即1 920株/d。

但是，我國植物表型監(jiān)測技術起步較晚，該項技術研究整體上相對于國外發(fā)達國家進展較慢，自主研發(fā)較少，許多公司主要處于對國外先進植物表型監(jiān)測技術的引進推廣和利用的階段。例如，慧諾瑞德與多家國際知名的高端科研設備生產商達成了代理協(xié)議，共同為我國農業(yè)科研、育種和生產領域提供產品和系統(tǒng)解決方案。他們提供的荷蘭WPS表型系統(tǒng)具有高通量植物表型測量分析、圖像分析速度快等特性，能夠更好地識別和分析植物的所有性狀，準確計算植物生物量、生長速率、結構相關指標等，適用于各種尺寸的植物，從幼苗到成熟植株，例如水稻、小麥、玉米、番茄、甘薯、大豆、苜蓿、煙草、油菜等。

2植物表型監(jiān)測技術組成

植物表型監(jiān)測系統(tǒng)的結構框圖一般如圖1所示，主要包括3個模塊：成像模塊、網絡傳輸模塊和圖像分析模塊。通過成像模塊對不同的植物通過RGB、紅外熱成像傳感器、近紅外成像傳感器、光合熒光傳感器等不同傳感器對植物的整體或者部分進行成像，并通過以太網等技術將圖像傳輸?shù)綀D像分析終端，通過對圖像的處理獲取不同的植物表型參數(shù)，并將該參數(shù)用于環(huán)境監(jiān)測、決策診斷等。最后通過對應用示范效果的評估等，對該技術的應用構建規(guī)范標準。本研究主要介紹的是成像模塊和圖像分析模塊。

2.1成像模塊

在高通量表型平臺上，各種各樣的成像方法被用于復雜特征的定量研究，如研究相關生長、產量和適應生物或非生物脅迫（疾病、昆蟲、干旱和鹽堿）的數(shù)據(jù)[40]。成像的目的是通過光與植物之間的相互作用，如反射的光子、吸收的光子或透射的光子定量測量表型。植物細胞和組織中的每一部分具有特定波長的反射、吸收和透射特性[41]。例如，葉綠素吸收的光子主要在可見光的藍色和紅色光譜區(qū)域。目前，植物的表型主要成像技術包括可見光成像、熒光成像、熱紅外成像、3D成像[42-43]、成像光譜技術和其他技術（MRI、PET和CT）。

2.2圖像分析模塊

圖像分析模塊是用于處理成像模塊獲取的監(jiān)測對象監(jiān)測圖像的后臺腳本。自動化圖像分析是一個計算密集型的復雜任務，一般分為圖像處理子模塊和圖像分析子模塊兩部分。

圖像處理子模塊用來從數(shù)據(jù)圖像中獲取特征數(shù)據(jù)。圖像處理子模塊主要由以下5個步驟組成：PC獲取數(shù)字圖像，圖像濾波去除噪聲，圖像經開、閉運算平滑處理，圖像二值化和獲取圖像特征值。在完成圖像分析步驟時，各階段的圖像如原始圖像、融合圖像，存儲在數(shù)據(jù)庫中。

圖像分析子模塊用來對圖像特征值進行分析，促進了植物3D模型的重建，能夠更好地識別和分析植物的所有性狀，準確計算植物生物量、生長速率、結構相關指標（如分蘗、穗、圓錐花序等）以及其他產量相關指標。目前已開發(fā)了各種獨創(chuàng)性圖像分析工具，允許用戶將顏色信息與某些特定的實驗參數(shù)相關聯(lián)，然后應用到后期的自動化分析中。比如，這些工具可以在肥料優(yōu)化試驗中精確量化植物的綠色程度，也可以量化植物的衰老過程或者追蹤植物病原體的響應等。對特定的顏色區(qū)域進行識別和量化，便可以闡明植物顏色變化與性狀的相關性。通過表3所示的模式識別、三維重建、機器學習等技術作出決策診斷等。

3存在問題及對策

植物表型監(jiān)測技術因其具有的優(yōu)勢在農業(yè)生產中得到了廣泛應用，但是仍然不夠成熟。本研究提出了該技術應用存在的問題以及對策。

（1）實時監(jiān)測目標植物，多個成像傳感器監(jiān)測植物的不同屬性，需要準確選擇并配合使用相機或傳感器。具體的對策是選擇分辨率高、抗環(huán)境干擾強的相機，加強實時采集圖像的穩(wěn)定性和清晰度。組合使用各類傳感器，如紅外熱成像傳感器、RGB成像傳感器、光合熒光傳感器等。為了提高監(jiān)測效果，可以采用全新的硬件設備，如英特爾實感攝像頭（RealSense camera）集成了3D深度和2D鏡頭模塊的設備，結合三維成像視覺技術的開發(fā)和應用[2，8-9]，能夠賦予設備以類似于人眼的視覺深度，圖像在拍照的瞬間將依照深度被分層捕獲，從而可以重新調整焦點，直接讀取所拍物體的三維數(shù)據(jù)，更快、更準確地了解植物參數(shù)。

（2）對于采集到的圖像數(shù)據(jù)，監(jiān)測系統(tǒng)自動處理信息的速度比較慢，不利于管理者針對植物生長實際狀況及時作出合理的決策。具體對策是進行圖像處理新算法的研究。利用新算法（3）隨著我國發(fā)展現(xiàn)代化農業(yè)對農田植物表型監(jiān)測信息化的需求越來越強烈，植物表型監(jiān)測平臺的安裝數(shù)量逐漸增多。由于植物表型監(jiān)測平臺的采集、傳輸、分析等各個模塊開發(fā)的不同，以及決策管理過程沒有明確的標準可循，導致目前我國很多植物表型平臺擁有各自的開發(fā)和應用標準，沒有形成統(tǒng)一開放的技術標準體系，阻礙植物表型監(jiān)測技術在全國范圍內的發(fā)展。我國在植物表型監(jiān)測技術方面一直在進步和完善，但是還需要對植物表型監(jiān)測體系的一系列關鍵技術作出詳細規(guī)范。建立統(tǒng)一的植物表型監(jiān)測系統(tǒng)體系和規(guī)范，形成網絡資源共享庫，并且加強各個表型平臺開發(fā)者之間相互協(xié)作，將有助于我國植物表型監(jiān)測技術發(fā)展。

4前景展望

隨著植物表型監(jiān)測技術的成熟與發(fā)展，它將在現(xiàn)代和未來農業(yè)中得到更加廣泛的應用。未來，植物表型監(jiān)測技術發(fā)展主要表現(xiàn)為以下一些特性：（1）植物表型監(jiān)測產品價格呈現(xiàn)下降趨勢，功能逐漸增多。隨著植物表型監(jiān)測技術的快速發(fā)展，各個公司的競爭會越來越激烈，其價格也會持續(xù)下降。為了更大程度地占據(jù)需求市場，各個公司將會不斷更新功能和提供更好的優(yōu)化服務，開發(fā)出可靠性高、可維護性好、不斷完善的表型監(jiān)測產品。植物表型監(jiān)測技術的應用具有巨大的空間，隨著全球表型平臺研究的快速發(fā)展，它在農業(yè)方面的應用將呈上升趨勢。（2）技術方面的趨勢是數(shù)字化、實時化和智能化。圖像采集和傳輸?shù)臄?shù)字化是植物表型監(jiān)測系統(tǒng)在技術方面發(fā)展的必然趨勢。更多的數(shù)字攝像機，更寬的圖像數(shù)據(jù)傳輸帶寬，更高的圖像處理速度，以及更先進的圖像處理算法，將會得到更廣泛的應用。這樣的技術發(fā)展趨勢將使植物表型監(jiān)測技術向著更好的實時性和更高的智能程度不斷發(fā)展。（3）統(tǒng)一開放的標準是植物表型監(jiān)測技術發(fā)展的原動力。依靠封閉的技術難以促進整個行業(yè)的發(fā)展，只有形成統(tǒng)一而開放的標準才能讓更多的廠商在相同的表型平臺上開發(fā)產品。植物表型監(jiān)測技術產品的好壞不能夠通過單一因素來衡量，應該逐漸按照國際化的統(tǒng)一標準判定，隨著中國農業(yè)自動化的逐漸開放，將帶領與其相關的產品技術也逐漸開放。

植物表型監(jiān)測技術發(fā)展方向是隨著科技發(fā)展方向改變而改變的，隨著計算機、網絡、圖像處理、傳輸技術的飛速發(fā)展，以及物聯(lián)網的提出，植物表型監(jiān)測技術正朝著一體化、數(shù)字化、網絡化、系統(tǒng)集成化、圖像處理智能化的方向發(fā)展。植物表型監(jiān)測系統(tǒng)在農業(yè)上的應用可提高生產的自動化水平，解放勞動力，具有良好的應用前景。相信隨著相關技術的發(fā)展，很多問題會得到好的解決，植物表型監(jiān)測技術在農業(yè)領域上的應用會極大地加快農業(yè)現(xiàn)代化進程。

參考文獻：

[1]玉光惠，方宣鈞. 表型組學的概念及植物表型組學的發(fā)展[J]. 分子植物育種，2009，7（4）：639-645.

[2]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.

[3]Baker M. Big biology：the omes puzzle[J]. Nature，2013，494（7438）：416-419.

[4]Zhe L U，Zhang F，Qin M A，et al. Advances in crop phenotyping and multi-environment trials[J]. Frontiers of Agricultural Science and Engineering，2015，2（1）：28-37.

[5] Meier U，Bleiholder H. The BBCH scale - codification and description of phonological growth stages of plants and their international use in agricultural research[C]. Proceedings of the International Symposium，2007：8-10.

[6]Lottner O，Sluiter A，Hartmann K，et al. Movement artefacts in range images of time-of-flight cameras[C]. ISSCS 2007：International Symposium On Signals，Circuits And Systems，Vol 1，2007：117.

[7]Klose R，Penlington J，Ruckelshausen A. Usability study of 3D time-of-flight cameras for automatic plant phenotyping[J]. Bornimer Agrartechnische Berichte，2009，69：93-105.

[8]張存政，單煒力，龔勇，等. BBCH編碼系統(tǒng)及其在我國農藥管理體系中的應用[J]. 農產品質量與安全，2011（6）：48-50.

[9]沈鳳悅，李毅念，陳信信，等. 高時空分辨率及高通量的稻茬麥苗期表型指標動態(tài)特征研究[J]. 作物雜志，2014（5）：117-121.

[10]周金輝，馬欽，朱德海，等. 基于機器視覺的玉米果穗產量組分性狀測量方法[J]. 農業(yè)工程學報，2015，31（3）：221-227.

[11]Aharoni A，Vorst O. DNA microarrays for functional plant genomics[J]. Plant Molecular Biology，2002，48（1/2）：99-118.

[12]CropDesign. Traitmill- platform and process[EB/OL].[2015-12-12].http：//www.cropdesign.com/tech_traitmill.php.

[13]李長纓，滕光輝，趙春江，等. 利用計算機視覺技術實現(xiàn)對溫室植物生長的無損監(jiān)測[J]. 農業(yè)工程學報，2003，19（3）：140-143.

[14]吳瓊，朱大洲，王成，等. 農作物苗期長勢無損監(jiān)測技術研究進展[J]. 農業(yè)工程，2011，1（4）：19-25.

[15]林開顏，徐立鴻，吳軍輝. 計算機視覺技術在作物生長監(jiān)測中的研究進展[J]. 農業(yè)工程學報，2004，20（2）：279-283.

[16]康樂，王海洋. 我國生物技術育種現(xiàn)狀與發(fā)展趨勢[J]. 中國農業(yè)科技導報，2014，16（1）：16-23.

[17]吳建偉，盧大文，明博，等. 我國種業(yè)智能裝備產業(yè)研究[J]. 中國農業(yè)科技導報，2014，16（6）：68-73.

[18]丁海鳳，于拴倉，王德欣，等. 中國蔬菜種業(yè)創(chuàng)新趨勢分析[J]. 中國蔬菜，2015（8）：1-7.

[19]Berger B，de Regt B，Tester M. High-throughput phenotyping of plant shoots[J]. Methods Mol Biol，2012，918：9-20.

[20]Klukas C，Pape J M，Entzian A. Analysis of high-throughput plant image data with the information system IAP[J]. Journal of Integrative Bioinformatics，2012，9（2）：191-193.

[21]Neumann K. Using automated high-throughput phenotyping using the LemnaTec Imaging Platform to visualize and quantify stress influence in Barley[C]//Plant and Animal Genome XXI Conference. Plant and Animal Genome，2013.

[22]Furbank R T，Tester M. Phenomics-technologies to relieve the phenotyping bottleneck[J]. Trends in Plant Science，2011，16（12）：635-644.

[23]Langridge P. High-throuput phenotyping of nitrogen response and use in wheat with lemnatec scanalyzer 3D[C]//Plant and Animal Genome ⅩⅩⅡ Conference. Plant and Animal Genome，2014.

[24]Helmert M，Lasinger H. The scanalyzer domain：greenhouse logistics as a planning problem[C]. ICAPS，2010：234-237.

[25]Pereyra-Irujo G A，Gasco E D，Peirone L S，et al. GlyPh：a low-cost platform for phenotyping plant growth and water use[J]. Functional Plant Biology，2012，39（11）：905-913.

[26]Naumann B，Eberius M，Appenroth K J. Growth rate based dose-response relationships and EC-values of ten heavy metals using the duckweed growth inhibition test （ISO 20079） with Lemna minor L. clone St[J]. Journal of Plant Physiology，2007，164（12）：1656-1664.

[27]燕輝，胡笑濤，姚付啟. 限量灌溉對冬小麥光合與葉綠素熒光的影響[J]. 農業(yè)機械學報，2011，42（11）：49-54.

[28]趙友全，魏紅艷，李丹，等. 葉綠素熒光檢測技術及儀器的研究[J]. 儀器儀表學報，2010，31（6）：1342-1346.

[29]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(huán)境學報，2012，21（3）：38-43.

[30]程建峰，陳根云，沈允鋼. 神農架林區(qū)不同類型植物的葉片特征與光合性能研究[J]. 生態(tài)環(huán)境學報，2010，19（1）：165-171.

[31]Zhang Y J，Liu L Y，Hou M Y，et al. Progress in remote sensing of vegetation chlorophyll fluorescence[J]. J Remote Sens，2009，13：971-978.

[32]Finkel E. With ‘phenomics，plant scientists hope to shift breeding into overdrive[J]. Science，2009，325（5939）：380-381.

[33]李宏，韋曉蘭. 表型組學：解析基因型-表型關系的科學[J]. 生物技術通報，2013（7）：41-47.

[34]朱會義，劉高煥. 印度農業(yè)研究系統(tǒng)發(fā)展的現(xiàn)狀、問題與對策[J]. 中國農業(yè)科技導報，2002，4（2）：38-42.

[35]李樹君，方憲法，南國良，等. 數(shù)字農業(yè)工程技術體系及其發(fā)展[J]. 農業(yè)機械學報，2003，34（5）：157-160.

[36]應義斌，傅賓忠，蔣亦元，等. 機器視覺技術在農業(yè)生產自動化中的應用[J]. 農業(yè)工程學報，1999，15（3）：199-203.

[37]劉燕德，應義斌，成芳. 機器視覺技術在種子純度檢驗中的應用[J]. 農業(yè)機械學報，2003，34（5）：161-163.

[38]Andrade-Sanchez P，Gore M A，Heun J T，et al. Development and evaluation of a field-based high-throughput phenotyping platform[J]. Functional Plant Biology，2014，41（1）：68-79.

[39]Yang W，Duan L，Chen G，et al. Plant phenomics and high-throughput phenotyping：accelerating rice functional genomics using multidisciplinary technologies[J]. Current Opinion in Plant Biology，2013，16（2）：180-187.

[40]Australian plant phenomics facility[EB/OL].[2015-10-10]. http：//www.plantphenomics.org.au.

[41]Sozzani R，Busch W，Spalding E P，et al. Advanced imaging techniques for the study of plant growth and development[J]. Trends in Plant Science，2014，19（5）：304-310.

[42]Paproki A，Sirault X，Berry S，et al. A novel mesh processing based technique for 3D plant analysis[J]. BMC Plant Biology，2012，12（1）：63-75.

[43]Paulus S，Behmann J，Mahlein A K，et al. Low-cost 3D systems：suitable tools for plant phenotyping[J]. Sensors，2014，14（2）：3001-3018.

[44]Li L，Zhang Q，Huang D. A review of imaging techniques for plant phenotyping[J]. Sensors，2014，14（11）：20078-20111.

[45]Golzarian M R，F(xiàn)rick R A，Karthika R，et al. Accurate inference of shoot biomass from high-throughput images of cereal plants[J]. Plant Methods，2011，7（1）：2-12.

[46]Dias P M，Brunel-Muguet S，Duerr C，et al. QTL analysis of seed germination and pre-emergence growth at extreme temperatures in Medicago truncatula[J]. Theoretical and Applied Genetics，2011，122（2）：429-444.

[47]Grift T E，Novais J，Bohn M. High-throughput phenotyping technology for maize roots[J]. Biosyst Eng，2011，110（1），40-48.

[48]Hoyos-Villegas V，Houx J，Singh S，et al. Ground-based digital imaging as a tool to assess soybean growth and yield[J]，Crop Sci，2014，54（4）：1756.

[49]Baker N R. Chlorophyll fluorescence：a probe of photosynthesis in vivo[J]. Annual Review of Plant Biology，2008，59（1）：89-113.

[50]Chaerle L，Hagenbeek D，de Bruyne E，et al. Chlorophyll fluorescence imaging for disease-resistance screening of sugar beet[J]. Plant Cell Tissue and Organ Culture，2007，91（2）：97-106.

[51]Mishra K B，Iannacone R，Petrozza A，et al. Engineered drought tolerance in tomato plants is reflected in chlorophyll fluorescence emission[J]. Plant Science，2012，182（1）：79-86.

[52]Lootens P，Devacht S，Baert J，et al. Evaluation of cold stress of young industrial chicory （Cichorium intybus L.） by chlorophyll a fluorescence imaging. II. Dark relaxation kinetics[J]. Photosynthetica，2011，49（2）：185-194.

[53]Araus J L，Serret M D，Edmeades G O. Phenotyping maize for adaptation to drought[J]. Front Physiol，2012（3）：305-324.

[54]Jones H G，Serraj R，Loveys B R，et al. Thermal infrared imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field[J]. Funct Plant Biol，2009，36（10/11）：978-989.

[55]Sakamoto T，Shibayama M，Kimura A，et al. Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：872-882.

[56]Bolon Y T，Haun W J，Xu W W，et al. Phenotypic and genomic analyses of a fast neutron mutant population resource in soybean[J]. Plant Physiol，2011，156（1）：240-253.

[57]Cook J P，McMullen M D，Holland J B，et al. Genetic architecture of maize kernel composition in the nested association mapping and inbred association panels[J]. Plant Physiol，2012，158（2）：824-834.

[58]Huang J，Liao H，Zhu Y，et al. Hyperspectral detection of rice damaged by rice leaf folder （Cnaphalocrocis medinalis）[J]. Comput Electr Agric，2012，82（1），100-107.

[59]Matsuda O，Tanaka A，F(xiàn)ujita T，et al. Hyperspectral imaging techniques for rapid identification of Arabidopsis mutants with altered leaf pigment status[J]. Plant & Cell Physiology，2012，53（6）：1154-1170.

[60]Biskup B，Scharr H，Schurr U，et al. A stereo imaging system for measuring structural parameters of plant canopies[J]. Plant，Cell & Environment，2007，30（10）：1299-1308.

[61]Klose R，Penlington J，Ruckelshausen A. Usability study of 3D time-of-flight cameras for automatic plant phenotyping[J]. Bornimer Agrartech Ber，2009，69：93-105.

[62]Van Der Heijden G，Song Y，Horgan G，et al. SPICY：towards automated phenotyping of large pepper plants in the greenhouse[J]. Functional Plant Biology，2012，39（10/11）：870-877.

[63]Reis J R. Evaluation of phenotyping methods for maize[D]. Urbana：Untversity of Illinois，2013.

[64]Paulus S，Dupuis J，Riedel S，et al. Automated analysis of barley organs using 3D laser scanning：an approach for high throughput phenotyping[J]. Sensors，2014，14（7）：12670-12686.

[65]Fang S Q，Yan X L，Liao H. 3D reconstruction and dynamic modeling of root architecture in situ and its application to crop phosphorus research[J]. Plant Journal for Cell and Molecular Biology，2009，60（6）：1096-1108.

[66]Poorter H，Bühler J，van Dusschoten D，et al. Pot size matters：A meta-analysis of the effects of rooting volume on plant growth[J]. Funct Plant Biol，2012，39（10/11），839-850.

[67]Rascher U，Blossfeld S，F(xiàn)iorani F，et al. Non-invasive approaches for phenotyping of enhanced performance traits in bean[J]. Functional Plant Biology，2011，38（12）：968-983.

[68]Yang W N，Xu X C，Duan L F，et al. High-throughput measurement of rice tillers using a conveyor equipped with X-ray computed tomography[J]. The Review of Scientific Instruments，2011，82（2）：025102.

[69]Flavel R J，Guppy C N，Tighe M，et al. Non-destructive quantification of cereal Roots in soil using high-resolution X-ray tomography[J]. Journal of Experimental Botany，2012，63（7）：2503-2511.

[70]Karunakaran C，Jayas D，White N. Detection of internal wheat seed infestation by Rhyzopertha dominica using X-ray imaging[J]. J Stored Prod Res，2004，40（5）：507-516.

[71]胡鵬程，郭焱，李保國，等. 基于多視角立體視覺的植株三維重建與精度評估[J]. 農業(yè)工程學報，2015，31（11）：209-214.

[72]楊福增，王崢，韓文霆，等. 基于小波變換的紅棗裂溝的多尺度邊緣檢測[J]. 農業(yè)工程學報，2005，21（6）：92-95.

[73]張馨，李道亮，楊文柱，等. 高分辨率棉花異性纖維彩色圖像的快速分割方法[J]. 農業(yè)機械學報，2011，42（1）：159-164，192.

[74]劉镕源，王紀華，楊貴軍，等. 冬小麥葉面積指數(shù)地面測量方法的比較[J]. 農業(yè)工程學報，2011，27（3）：220-224.

[75]陳鼎才，王定成，查金水. 基于機器視覺的現(xiàn)實葉片面積測量方法的研究[J]. 計算機應用，2006，26（5）：1226-1228.

[76]蔡健榮，周小軍，李玉良，等. 基于機器視覺自然場景下成熟柑橘識別[J]. 農業(yè)工程學報，2008，24（1）：175-178.

[77]喻擎蒼，嚴紅濱. 一種基于圖像輪廓線的稻種模糊模式識別方法[J]. 農業(yè)工程學報，2002，18（1）：150-153.

[78]刁智華，王歡，宋寅卯，等. 復雜背景下棉花病葉害螨圖像分割方法[J]. 農業(yè)工程學報，2013，29（5）：147-152.

[79]周俊，王明軍，邵喬林. 農田圖像綠色植物自適應分割方法[J]. 農業(yè)工程學報，2013，29（18）：163-170.

[80]賈偉寬，趙德安，阮承治，等. 蘋果夜視圖像小波變換與獨立成分分析融合降噪方法[J]. 農業(yè)機械學報，2015，46（9）：9-17.

[81]楊福增，張艷寧，王崢，等. 基于小波變換的Wiener濾波算法去除蘋果圖像噪聲[J].