品质至上，客户至上，您的满意就是我们的目标
技术文章
当前位置: 首页 > 技术文章
Plant Phenomics | 基于无人机多光谱图像和SRGAN的大白菜单株表型测定研究
发表时间：2022-12-29 16:50:48点击：736
随着信息化、数字化技术的发展，遥感成像已成为精准农业中获取作物信息的重要手段，也是计算小区域面积、作物品种鉴定和生长分析的重要数据来源。大白菜 (Brassica rapa L. ssp.) 是亚洲最重要的蔬菜之一，中国作为大白菜的产地和遗传多样性中心，种质资源极为丰富，拥有许多地方品种。传统的大白菜表型测定方法严重依赖人工评价和测量，具有主观性强且耗时的缺点，故快速无损的大白菜表型鉴定技术对育种具有重要意义。
2022年12月，Plant Phenomics在线发表了河北农业大学范晓飞教授团队题为Multispectral Drone Imagery and SRGAN for Rapid Phenotypic Mapping of Individual Chinese Cabbage Plants 的研究论文。
本研究利用低成本无人机系统采集白菜田的遥感图像，用于估算白菜的展开度和相对叶绿素含量（SPAD）。选取河北农业大学位于辛集马兰农场的大白菜试验基地，此试验基地白菜均为自培育特殊的大白菜品种。采用大疆精灵4 Pro无人机搭载具有五通道的多光谱成像设备获取露地白菜图像，经过图像预处理、数据集划分、图像分辨率增强并分割后，计算或预测表型参数。本研究中图像预处理包括遥感图像的拼接与合成，此部分根据图像采集中每一张图像的POS点进行整幅遥感图像的拼接，并利用ArcMap对拼接后的图像进行处理，对每一株白菜进行图像标记。
为了提高模型分割精度，本研究采用超分辨率生成对抗网络（super-resolution generative adversarial network, SRGAN）提高原始图像的分辨率，将可见光图像、多光谱图像、分辨率提升后的图像结合深度学习的语义分割网络模型（unity networking, UNet）实现单株白菜的分割。根据单个白菜的像素值和地面采样距离（ground sample distance, GSD）计算实际长度和宽度。基于去除背景后的单个白菜RGB图像，分析了白菜的SPAD值。通过对各种模型的比较，采用SRGAN进行分辨率提升后的模型预测效果最好。对于SPAD预测和展开度预测，SRGAN分辨率增强后的RGB图像的UNet模型R2分别大于0.75和0.84，RMSE分别低于2.12和3.72，RMSPE分别低于0.05和0.10。本研究表明引入了SRGAN对图像分辨率进行增强后模型精度得到提高，利用无人机遥感图像预测大白菜的展开度和SPAD值的测量结果可靠，该方法为大白菜育种研究提供了低成本、易操作的表型性状定量获取技术。
图6 SRGAN分辨率增强效果。以两株单株大白菜显示为示例，左边是实际图像，右边是经过SRGAN分辨率增强的图像
图9 三种UNet模型的拟合性能。(A)多光谱图像模型的实际宽度与预测宽度。(B)使用RGB图像且没有分辨率增强的模型的实际宽度与预测宽度。(C) RGB图像和分辨率增强模型的实际宽度与预测宽度。(D)多光谱图像模型的实际长度与预测长度。(E)使用RGB图像且没有分辨率增强的模型的实际长度与预测长度。(F) RGB图像和分辨率增强后模型的实际长度与预测长度。
河北农业大学博士研究生张君为论文第一作者，河北农业大学范晓飞教授、申书兴教授和赵建军教授为论文通讯作者。
作者团队介绍
第一作者简介：
张君，1996年生，河北石家庄人，博士研究生。主要研究方向为利用机器视觉及深度学习技术对作物表型无损快速测定等研究。目前负责河北省在读研究生创新能力培养资助项目1项，授权实用新型专利6项，以第一作者发表SCI等学术论文4篇。
通讯作者简介：
范晓飞，1979年生，河北张家口人，博士，河北农业大学校聘教授，博导，河北农业大学国际教育交流学院副院长，享受河北省政府特殊津贴，河北省“百人计划”专家。主要从事作物表型组学、农业人工智能与智能化农业装备等领域研究。2010-2018年在美国孟山都公司总部任职中层研发管理，主持及参与了22个项目的研发，其中6项为百万美元以上项目。被今日头条、科学日报、密苏里电视台等多家国内外媒体采访和报道。目前主持国家自然科学基金、河北省重点研发计划等各类科研项目10余项；授权国际发明专利2项，国家发明、实用新型专利10余项，发表SCI等学术论文30余篇。
团队合照
论文链接：
http://doi.org/10.34133/plantphenomics.0007
——推荐阅读——
Repeated Multiview Imaging for Estimating Seedling Tiller Counts of Wheat Genotypes Using Drones
http://doi.org/10.34133/2020/3729715
Plant Phenomics | 使用无人机多视角成像技术估算小麦幼苗分蘖数
The Application of UAV-Based Hyperspectral Imaging to Estimate Crop Traits in Maize Inbred Lines
http://doi.org/10.34133/2021/9890745
Plant Phenomics | 无人机高光谱影像在玉米自交系作物性状估算中的应用
Plant Phenomics | 无人机表型文章合集
加入作者交流群
扫码添加小编微信，拉您进入《植物表型组学》作者交流群，群内不定期开展作者分享会、专刊发布会等高质量活动。
添加小编微信，备注姓名+单位+PP，加入作者交流群
About Plant Phenomics
《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学促进会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2021影响因子为6.961，位于农艺学、植物科学，遥感一区。中科院农艺学、植物科学一区，遥感二区，生物大类一区（TOP期刊）。2020年入选中国科技期刊卓越行动计划高起点新刊项目。
说明：本文由《植物表型组学》编辑部负责组稿。
中文内容仅供参考，一切内容以英文原版为准。
特邀作者：张君、范晓飞
排版：陈新月（实习）
审核：孔敏、王平
