利用图像分析进行高通量植物表型分析

来源: 时间:2019-11-20 17:30:49 浏览次数:

高通量自动图像植物表型分析是指通过对定期采集的图像进行精确分析,对植物性状进行无损检测和定量

基因型与其所处环境之间的复杂相互作用控制着植物的生物物理特性,表现为可观察到的性状,即影响植物资源获取、生产性能和产量的因素。高通量自动图像植物表型分析是指通过对定期采集的图像进行精确分析,对植物性状进行无损检测和定量。虽然在过去的十年中phenomic研究引起了重大的关注,从植物中提取有意义的和可靠的数值表型图像特别是考虑单个组件,例如,叶子、茎、果实和花,由于包括光照变化、植物旋转和自封闭在内的各种挑战,仍然是将表型技术的进展转化为遗传洞察力的关键瓶颈。

本文提供了1一个多模式、多视角、时间延迟、高通量成像系统中植物表型分析的框架;(2)可以通过图像分析得到的表型分类,以便更好地了解植物的形态结构和功能过程;(3)对公开数据集的简要讨论,以鼓励算法的发展和与最先进的方法的统一比较;(4)基于图像的高通量植物表型分型方法综述


                       图为基于图像的高通量植物表型平台示意图

它分析了多模态摄像机捕获的一组植物(属于不同的基因型)的时间图像序列,即、可见光、荧光、近红外、红外和高光谱,从不同的视角观察。在不同的环境条件下,如干旱、盐碱和热环境下,这些植物定期成像(Das Choudhury et al., 2016)。在Fahlgren等人(2015)提出的高通量植物表型平台的激励下,我们设计了一个更高级的表示来探索基于计算机视觉的植物表型算法,在多维度,即在不同的环境条件下受基因型的调控,可见光摄像机捕获的图像序列常用于计算结构或形态表型。利用荧光、近红外和红外图像分别分析了植物的叶绿素、水分和温度含量。热红外成像被用来作为植物温度的代理,以检测气孔导度的差异,作为衡量植物对水状态和蒸腾速率的响应,以适应非生物胁迫(Lei et al., 2014b)。高光谱成像特别适合于深入了解植物的功能特性,如叶片组织结构、叶片色素和水分含量(Mahlein et al.2011)和抗逆性机制(Wahabzada et al., 2016)Rahaman et al.(2015)Araus and Cairns(2014)提出的高通量植物表型分析平台从分子水平上强调了表型与基因型之间的关系。


我们提出了一个植物表型分类(如上图),它反映了最近文献中介绍的植物表型以及需要未来研究关注的新挑战。从图中可以看出,地上植物的表型大致可以分为三类:结构型、生理型和时间型。结构表型是指植物的形态属性,而生理表型是指影响植物生长和代谢过程的性状。结构和生理表型进一步分为两组:整体和组成。整体表型将整个植物视为一个单一的对象,计算其基本几何属性,如边界矩形的高度来考虑植物的高度,凹凸壳的面积来考虑植物的大小(Das Choudhury et al., 2017, 2018)。成分表型是通过考虑植物的单个成分来计算的,即、树叶、茎、花和果实。组成表型的例子包括叶长、每个叶片的叶绿素含量、茎角、花的大小和果实的体积(Gage等,2017;He et al., 2017;Das Choudhury等人,2018;Yin等,2018;周等,2019)

本节提供了一个简短的描述,最先进的方法来计算表型从图像组织使用我们的分类法,即结构、生理和时间。


来源:Front.Plant Sci .https://doi.org/10.3389/fpls.2019.00508