植物葉片可視化研究綜述

施俊林 彭軍

摘要：當前，農業科學的信息化程度不斷深入，植物葉片可視化研究一直在不斷發展，但投入到實際應用中的仍然為少數，本文通過對近10a有關學者對植物葉片可視化的研究方法和可視化效果進行總結梳理，得出當前該領域發展進程以及需要進一步明確的問題。通過對一些研究方法進行總結分析，對植物葉片可視化未來的研究方向進行大膽猜想和展望。

關鍵詞：植物葉片;可視化;研究;綜述

中圖分類號：S-1文獻標識碼：ADOI：10.19754/j.nyyjs.20200815001

收稿日期：2020-06-22

基金項目：國家自然科學基金項目（項目編號：61862032）

作者簡介：施俊林（1997-），男，本科在讀 ;通訊作者彭軍（1981-），男，碩士，副教授。研究方向：農業信息化。

引言

植物在大自然中扮演著不可或缺的角色，地球上植物種類數量龐大，通常根據植物葉片來區分不同的植物，但是植物葉片種類繁多，人工區分，工作量巨大，并且人類的記憶和精力是有限的，要想識別出所有的植物葉片也是不現實的。在如今計算機技術和人工智能技術的快速發展下，可以依賴技術通過提取植物葉片的外觀視覺特征來進行有效識別。

在現代化、數字化農業如火如荼進行的當下，植物葉片可視化研究顯得更加重要。如今信息來源于用戶，服務于用戶愈來愈明顯，在這個新形勢之下，可視化作為一種非常普遍的技術需求和應用趨勢在植物葉片的圖像識別、虛擬現實研究等方面發揮著不可或缺的作用。

隨著計算機技術、數據科學的不斷發展，人們的生活也發生改變，從過去看到不認識的植物只能查閱書籍資料到現在只需要拍照便可查閱其詳細信息，這樣的應用再一次讓人們對大自然和計算機圖形圖像處理等領域充滿了探索的好奇。

1概述

葉片有著各種各樣的形狀，即使是同一種植物，葉片的葉形也是有變化的。大自然中，大部分植物葉片是橢圓形，但植物變化萬千，葉片形狀除了常見的形狀外還有許多奇怪的形狀，在這樣的情況下，學者對植物葉片可視化研究提出了許多理論方法。目前，國內對植物葉片可視化的研究有很多，有的是針對植物葉片的物理特性進行建模分析，有的是對植物葉片生成輪廓曲線進行分析，模擬葉脈等，但這些對于植物葉片的三維可視化表達效果都不是很好。目前，比較先進的可視化研究方法依然是通過得到植物葉片特征的大量數據，建立適合的模型。在這過程中，人工依然發揮著重要作用，記錄大量重要數據，借助經驗調節參數以達到更好模型訓練效果。

2植物葉片可視化研究進展

近年來，可視化在植物識別中發揮了重要作用，大批學者學習國內外的理論方法，并結合自己的經驗成功創造出很多研究成果。

Iris R.Wang ，Justin W. L. Wan等 [1] 在計算機上建立了植物葉片的生長模型，模擬了真實植物葉片生長情況。周南、陸玲等[2，3]認為植物葉片具有不同形狀，因此提出了一種可調節植物葉片輪廓的可視化建模方法，通過使用數學函數的變形思想來完成植物葉片形狀的形成，再使用平面矩型參數定義植物葉片的初始輪廓;大多數植物葉片的外形輪廓都可以在多次調節植物葉片的幾何學特征后得到;即使在因人而異的情況下，這種植物葉片形狀建模方法也可以達到較為理想的可視化效果。

M. T.Allen ，P. Prusinkiewicz等 [4]提出了L-peach 模型，用于模擬樹木生長過程中結構和生理的變化，其中也包含葉片的模擬。薛佳楣、玄子玉等[5]提出基于圖像處理技術來虛擬植物葉片的一種方法;在虛擬的環境中，虛擬植物可以幫助人們較快地在短時間內構建一個適應植物生長的環境來對植物的生長情況進行跟蹤研究;該方法提取的是植物葉片的邊緣信息，根據植物葉片的形態設計出的L系統通過一系列操作后可以正確顯示出葉脈的信息。

陳萌[6]對水稻主莖葉進行觀測記錄，對不同生長期水稻葉片的數據進行統計研究，從中總結規律;并以此建立模型來研究水稻葉片形態與其生理參數的關系;通過模型的建立，實現了二維形態建模和水稻葉片的三維空間模型，從而表達出水稻葉片的生長情況。通過計算機編程實現2個模型，實現了水稻葉片的建模和水稻葉片的空間模型可視化。李書欽、劉海龍等[7，8]對小麥葉片進行數據的實測統計，并在建模后開展三維可視化的研究。

苗騰等 [9]用葉肉、一級葉脈和二級葉脈這3種結構來劃分玉米葉片，通過獲取玉米葉片的表觀參數和SPAD數據構建量化模型。這種表觀建模和可視化方法解決了一部分植物葉片在光學影響下可視化效果不佳的問題。實驗表明，該方法做到了對植物葉片預想的三維可視化效果，這使得之后對植物葉片表觀的三維虛擬動畫呈現具備了有力的技術工具。

于慧伶、麻峻瑋等 [10]采用雙路卷積神經網絡的方法對植物葉片構建識別模型，該方法考慮了葉片本身的不同邊緣形狀以及極其復雜的內部紋理特征信息，結合7層卷積層的網絡結構的雙路卷積神經網絡結構，模擬葉片邊緣形狀特征路徑。并且對比原有的單路卷積網絡模型，識別準確上有了明顯的提高;同時也大大提高了在特殊復雜的情況背景下植物葉片的識別準確率。

王振、師韻等[11]提出基于全卷積神經網絡的圖像分割方法，可以將玉米葉片圖片中的病斑進行更加準確地分割，實驗數據表明比FCN、PSP等圖像分割模型擁有更好的性能。段凌鳳、熊雄等 [12]也應用了全卷積神經網絡的方法，進行圖像分割，通過對解碼網絡進行反復訓練，可以得到更為精確效果。

3植物葉片可視化研究面臨的問題

植物葉片是植物在自然環境中的選擇，同一種植物葉片的顏色、葉脈紋理和形狀都會受不同的環境的影響而不同，同一片葉子在不同時期也有著不一樣的結構特征，這些構成了建模與模擬的復雜性 [3]，也為后面的機器學習和模型訓練 [13]增加了很大難度。大多數學者通常會選用一些常見、簡單的形狀進行植物葉片建模，而這就會使得可視化效果不全面，且有時間的局限性;同時模擬的環境通常也沒有非常貼切真實的自然環境，很難達到大自然的光照變化和形態變化。

葉脈建模本身用時比較長，而相比較于一級、二級葉脈，有著更細的脈絡結構的三級葉脈又分布于植物葉片的各處[14]。因此，一些小的細脈存在的規律不易發現，導致建模和模擬的工作難度加大。只有找到一種簡單高效的建模方法才可能模擬出存在差異的大量的植物葉片[15]，進而為植物葉片可視化的大量研究提供保障，讓處于大數據時代的數據足夠豐富。

如今對植物葉片可視化研究所提出的模型和建立的系統大多只針對少數種類，在眾多植物種類中，研究效果不具代表性，因此現在的理論和方法還需要完善。當下各學者對植物葉片可視化研究時使用的數據庫大多是不相同的，所以各學者研究得出的方法也不能進行對比。

在查閱較多文獻后發現，大部分學者在植物葉片可視化的過程中，會直接跳過研究植物葉片的邊緣，導致光滑和鋸齒狀特征的邊緣價值沒有得到利用，對此方向的研究比較少。在實際生活中，人們對植物葉片的視角可能只是邊緣，所以要想將可視化研究成果更多地應用到實際生活中，還需進行更多地研究。

4未來研究方向

試驗研究把植物葉片在各個時期、各種環境下所受的影響均考慮進去，建立一個更加適用于實際生活的系統，未來可以精準識別植物葉片的病變情況。在所有植物葉片可視化的研究中建立相對統一的效果評價，這樣對日后應用實施更加有利。植物葉片的可視化更加依賴計算機，日后依托深度學習的發展，對植物葉片深層網絡特征進行自主學習 [16]。在方法不斷改進的同時，識別準確率不再是研究的重點，在大數據時代，隨著軟件和硬件的進步，植物葉片可視化的研究成果將大規模大范圍地投入到數字化農業中，虛擬現實技術將再次將植物葉片可視化的研究成果推向更前沿的應用。

5結束語

本文通過對植物葉片可視化相關文獻的整理分析發現，在信息時代、農業科學研究不斷加深的時代，信息科學與農業科學不斷地融合，植物葉片可視化研究是當前的農業創新、也是傳統型農業走向現代化農業的標志之一，值得農業信息化從業人員深入研究。

參考文獻

[1] Iris R.Wang ，Justin W. L. Wan， Gladimir V. G. Baranoski. Physically-based simulation of plant leaf growth[J]. Computer Animation and Virtual Worlds，2004，15（3-4）：237-244.

[2]M. T.Allen ，P. Prusinkiewicz ，T. M. DeJong. Using L-systems for modeling source-sink interactions， architecture and physiology of growing trees： the L-PEACH model[J]. New Phytologist，2005，166（3）.

[3]周南，陸玲.植物葉片形狀可視化模型研究[J].湖南農機，2012，39（09）：97-98，101.

[4]周南. 基于變形的三維植物葉片可視化造型研究[D].南昌：東華理工大學，2013.

[5]薛佳楣，玄子玉.虛擬植物葉片可視化的研究[J].佳木斯大學學報（自然科學版），2013，31（01）：112-115.

[6]陳萌. 水稻葉片形態建模的研究[D]. 南昌：江西農業大學，2016.

[7]李書欽，劉海龍，諸葉平，李世娟，劉升平，張紅英，李中陽.基于實測數據和NURBS曲面的小麥葉片三維可視化[J].福建農業學報，2016，31（07）：777-782.

[8]李書欽，諸葉平，劉海龍，李世娟，劉丹，張紅英，李中陽.基于NURBS曲面的小麥葉片三維可視化研究與實現[J].中國農業科技導報，2016，18（03）：89-95.

[9]苗騰，郭新宇，溫維亮，王傳宇，肖伯祥.基于農學參數的玉米葉片表觀建模與可視化方法[J].農業工程學報，2017，33（19）：187-195.

[10]于慧伶，麻峻瑋，張怡卓.基于雙路卷積神經網絡的植物葉片識別模型[J].北京林業大學學報，2018，40（12）：132-137.

[11]王振，師韻，李玉彬.基于改進全卷積神經網絡的玉米葉片病斑分割[J].計算機工程與應用，2019，55（22）：127-132.

[12]段凌鳳，熊雄，劉謙，楊萬能，黃成龍.基于深度全卷積神經網絡的大田稻穗分割[J].農業工程學報，2018，34（12）：202-209.

[13]劉晶晶. 基于深度網絡特征學習的植物葉片識別算法研究與實現[D]. 深圳：深圳大學，2017.

[14]祁多多. 基于葉片變形的植物葉脈可視化造型研究[D]. 南昌：東華理工大學，2016.

[15]孫爽秋. 植物葉片識別的方法研究[D].昆明：云南大學，2019.

[16]翁楊，曾睿，吳陳銘，王猛，王秀杰，劉永進.基于深度學習的農業植物表型研究綜述[J].中國科學：生命科學，2019，49（06）：698-716.

[17]胡明越. 基于深度學習的樹種識別算法研究[D].杭州：浙江農林大學，2019.