欧亚国际

在开花期后保持足够的健康绿叶面积是确保籽粒灌浆所需的充分同化物供应的关键。在田间条件下，与生育期有关的生理性衰老和各种生物和非生物胁迫因素的严格调控，推动了整体绿度衰减的动态变化。除了在叶片损伤方面对绿叶面积的直接影响外，胁迫因素往往会提前或加速生理衰老，这可能会增加其对籽粒灌浆的负面影响。

2023年4月，Plant Phenomics在线发表了ETH Zurich等单位题为Combining high-resolution imaging, deep learning, and dynamic modelling to separate disease and senescence in wheat canopies的研究论文。

本研究提出了一种图像处理方法，该方法基于植被的颜色特性和语义分割的深度学习模型，能够分别监测穗和芽（茎+叶）的黄化和坏死。利用图像合成和生成对抗神经网络生成的半合成训练数据训练植被分割模型，大大降低了标注的不确定性风险和标注工作量。将这些模型应用于图像时间序列，揭示了绿度衰减的时间模式以及黄化和坏死的相对贡献。

图4 使用单独的植被分割和穗部分割模型对17个测量日期中的8个随机选择的图像的推断结果。

器官水平植被覆盖和植被状态分数的时间序列图进一步说明了图像分割的高质量。在全球和器官尺度上，植被覆盖和植被状态都遵循平滑的时间趋势，在所有试验区都是相似的，这可以很好地解释(图6)。灌浆期各样地植被覆盖度总体呈减少趋势，穗部覆盖度呈增加趋势。因此，茎盖度(即无穗植被盖度)呈现出强烈的下降趋势，在花后大约10 d就开始下降(图6)，因此比最早基因型中目测到的冠层衰老开始时间早了大约两周。所有提取性状的平滑时间趋势清楚地表明，无论光照条件、基因型、处理或作物生长阶段如何，分割模型都具有稳定的性能。

图6代表植被的不同组成部分，即全植被、麦穗和无麦穗植被(即叶+茎=茎)及其在抽穗时(2022年5月25日[219 DAS, GS 55])和生理成熟时(2022年7月7日[262 DAS, GS 91])第一次测量之间随时间演变的图像比例。

本研究使用深度学习模型进行图像分割，随后进行基于颜色的分类和动态建模，促进了对植物穗和芽的生理状态进行时间序列监测。将这些方法应用于图像时间序列，可以精确地再现视觉观察到的绿度衰减动态，并揭示出不同区域的绿度衰减和黄化的对比时间模式，显示叶面疾病的不同感染程度。观察到的模式与黄化作为生理衰老的表型标志的解释很好地一致，这表明在受疾病影响的植被成分中，单独分析黄化和坏死植被部分可能有助于分离叶面疾病和生理衰老对总体绿度动态的影响。因此，本研究开发的方法在田间条件下对作物对生物胁迫的反应进行高通量评估方面具有重大潜力。

论文链接：

http://doi.org/10.34133/plantphenomics.0053

——推荐阅读——

Self-Supervised Plant Phenotyping by Combining Domain Adaptation with 3D Plant Model Simulations: Application to Wheat Leaf Counting at Seedling Stage

http://doi.org/10.34133/plantphenomics.0041

Plant Phenomics | 虚拟图像“以假乱真”，无需人工标注，自监督创建小麦表型算法

Benchmarking Self-Supervised Contrastive Learning Methods for Image-Based Plant Phenotypinghttp://doi.org/10.34133/plantphenomics.0037

Plant Phenomics | 基于图像的植物表型自监督对比学习方法的基准测试

加入作者交流群