對(duì)植物的表型分析一般會(huì)通過鑒定與植物表型相關(guān)的各種性狀的定性或定量指標(biāo)來完成，進(jìn)而為解釋不同環(huán)境條件下植物基因型和表型間的復(fù)雜關(guān)系提供新的見解。傳統(tǒng)的植物表型鑒定方法費(fèi)時(shí)費(fèi)力，因此表型性狀的自動(dòng)化提取技術(shù)顯得尤為重要。
 

為了實(shí)現(xiàn)自動(dòng)化表型分析，研究者們已使用影像學(xué)技術(shù)迅速改進(jìn)了植物表型分析技術(shù)。其中，三維成像技術(shù)由于能夠更直接地測量植物的形態(tài)性狀，而得到了廣泛應(yīng)用。在表征對(duì)象的三維結(jié)構(gòu)時(shí)，主要有以下兩種方法：主動(dòng)方法使用諸如激光雷達(dá)之類的主動(dòng)傳感器來直接捕獲三維點(diǎn)云，該點(diǎn)云代表植物在三維空間中每個(gè)部分的坐標(biāo)；被動(dòng)方法使用被動(dòng)傳感器（相機(jī)等），從多角度采集一組二維圖像來推導(dǎo)出三維點(diǎn)云。
 

在對(duì)植物的三維點(diǎn)云進(jìn)行分析時(shí)，一個(gè)必要的步驟是將點(diǎn)云轉(zhuǎn)換為幾何圖形，進(jìn)而提取植物器官的幾何特征（如大小、形狀等）。表面重建是該轉(zhuǎn)換步驟的一個(gè)典型應(yīng)用，在需要提取幾何特征時(shí)常常會(huì)使用。
 

葉片是植物與外界進(jìn)行物質(zhì)和能量交換的重要途徑。因此，葉片的表面重建是三維植物表型中的重要應(yīng)用之一，而葉片表面重建的精度會(huì)直接影響到幾何特征提取的精度。現(xiàn)有的葉片表面重建算法主要可分為無模型和有模型這兩大類，無模型方法難以處理嚴(yán)重的噪聲和遺漏點(diǎn)，而有模型方法又具有一定的物種特異性。
 

在生長環(huán)境下生成的三維點(diǎn)云會(huì)受到傳感器噪聲和缺失點(diǎn)的影響，尤其是在非理想條件下（如田間環(huán)境中）獲取數(shù)據(jù)時(shí)。并且，由于植物具有復(fù)雜的三維結(jié)構(gòu)，標(biāo)準(zhǔn)掃描技術(shù)很難為相互重疊的結(jié)構(gòu)（如葉片等）獲取無遮擋的三維點(diǎn)云，并且會(huì)在點(diǎn)云中產(chǎn)生傳感器噪聲和缺失點(diǎn)，從而導(dǎo)致對(duì)植物結(jié)構(gòu)的表征不夠完善。如果葉片表面重建不準(zhǔn)確，那么葉片的幾何特征就很難被準(zhǔn)確描述，后續(xù)的基于該特征計(jì)算出的數(shù)據(jù)也將不準(zhǔn)確。
 

2021年4月，Plant Phenomics 在線發(fā)表了慶應(yīng)義塾大學(xué)，東京電機(jī)大學(xué)和東京大學(xué)Ryuhei Ando等人題為Robust Surface Reconstruction of Plant Leaves from 3D Point Clouds的研究論文。
 

文章中，作者開發(fā)了一種對(duì)三維點(diǎn)云中的噪聲和遺漏點(diǎn)具有穩(wěn)健性的葉片表面重建方法。該方法基于葉片的特性，分別采集葉片的形狀和形狀畸變（Figure 2），在減少了噪聲和缺失點(diǎn)影響的同時(shí)，維持了表面重建的準(zhǔn)確性。與傳統(tǒng)方法相比，文章中提出的方法簡化了葉片表面重建的過程，同時(shí)提高了對(duì)噪聲和遺漏點(diǎn)的穩(wěn)健性。
 

Figure 2: Overview of the method used to obtain the flattened leaf shape.

為了對(duì)這種新方法的性能做出評(píng)估，作者使用從大豆和甜菜中采集到的三維點(diǎn)云對(duì)葉片表面進(jìn)行重建，并將其結(jié)果與常規(guī)方法進(jìn)行比較（Figure 7）。結(jié)果表明，盡管兩種點(diǎn)云中都存在不同程度的噪聲和點(diǎn)云缺失，文章提出的方法仍能夠很好地重建葉片表面（Figure 6）。此外，為了評(píng)估該方法進(jìn)行葉片表面重建的穩(wěn)定性，作者還計(jì)算了目標(biāo)葉片在連續(xù)兩周內(nèi)的表面積。與常規(guī)方法相比，該方法得出的結(jié)果顯示出了更高的數(shù)據(jù)質(zhì)量。
 

Figure 7: Results of the evaluation of stability for leaf surface reconstruction.
 

Figure 6: Results of the evaluation of the leaf surface reconstruction in terms of robustness against noise and missing points.

論文鏈接

https://doi.org/10.34133/2021/3184185

——推薦閱讀——
Application of UAV Multisensor Data and Ensemble Approach for High-Throughput Estimation of Maize Phenotyping Traits
https://doi.org/10.34133/2022/9802585
Plant Phenomics | 基于無人機(jī)多傳感器和集成學(xué)習(xí)的玉米表型高通量估算
Spectral Preprocessing Combined with Deep Transfer Learning to Evaluate Chlorophyll Content in Cotton Leaves
https://doi.org/10.34133/2022/9813841
Plant Phenomics | 光譜預(yù)處理與深度轉(zhuǎn)移學(xué)習(xí)相結(jié)合的葉片葉綠素含量評(píng)估

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、�？�發(fā)布會(huì)等高質(zhì)量活動(dòng)。
 

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)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(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。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(jī)器學(xué)習(xí)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(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2021影響因子為6.961，位于農(nóng)藝學(xué)、植物科學(xué)，遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)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(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
編輯：王平
審核：孔敏