数字图像技术及其在作物表型研究中的应用研究进展

潘锐，熊勤学，张文英

主要粮食作物产业化湖北省协同创新中心(长江大学)，湖北 荆州 434025；长江大学作物抗逆技术研究中心，湖北 荆州 434025



数字图像技术及其在作物表型研究中的应用研究进展

潘锐，熊勤学，张文英

主要粮食作物产业化湖北省协同创新中心(长江大学)，湖北 荆州 434025；长江大学作物抗逆技术研究中心，湖北 荆州 434025

介绍了目前作物表型性状采集中常用的2类数字图像技术——光学成像技术和微波成像技术，包括其原理、优缺点及在作物表型研究中的应用实例。结合表型组学，综述了室内和田间不同环境下高通量表型分析平台在作物表型研究中的应用研究进展，并对其发展趋势进行展望。

数字图像技术；作物；表型；表型组学

表现型(phenotype)指具有特定基因型(genotype)的个体在一定环境条件下表现出来的性状特征的总和，如根形态、生物量、叶部性状、光合作用性状、果实性状、产量相关性状、品质性状、营养性状、病虫害、非生物逆境响应等。过去20年，植物基因组学和分子标记技术取得飞速发展，但是作为植物研究的重要环节——表型性状采集，却成为制约作物功能研究、分子育种发展的一大瓶颈。传统的表型指标采集，每种仪器、用具只能测量一种或少数几种指标,检测速度慢，耗时耗力,受人工操作、环境条件制约，不少检测有损伤操作[1]。数字图像技术的发展和应用为作物表型数据无损失、自动化、高通量采集提供了解决途径。目前，用于植物表型研究的数字图像技术主要有光学成像技术和微波成像技术。笔者主要介绍这些技术的原理及其在植物表型研究方面的应用及优缺点，并给出应用案例。

1　光学成像技术

1.1高光谱成像技术

高光谱成像技术是指利用遥感仪器在特定光谱域以高光谱分辨率(光谱分辨率≤10nm以下)获取连续性地物光谱图像的遥感技术。成像光谱仪为每个像元提供数十至数百个窄波段(通常波段宽度<10nm)光谱信息，可产生一条完整而连续的光谱曲线。高光谱图像具有较高的空间分辨率和较高的光谱分辨率[2]，利用这些高光谱图像，可以研究目标物体的物质结构和化学组成，从而进一步判断目标物体的属性。

高光谱成像技术作为数字农业技术，被广泛应用于作物表型采集领域[3～5]。它不仅可以用来检测作物某个生理指标或某种成份含量[6,7]，还能观测植物某些器官[8]，以及鉴定一些作物病虫害[9,10]等。如李美凌等[7]基于高光谱成像技术进行水稻种子活力检测，以老化程度不同的水稻种子为供试材料，测定出400～1000nm范围内的高光谱图像，利用选取的主成分下的水稻种子光谱数据，建立不同老化程度下种子的支持向量机模型。结果表明，该方法的判别率达100%。冯慧等[8]在水稻茎叶分割研究中，利用高光谱相机采集水稻光谱数据，对数据采用主成分分析，提取出主成分图像，再基于数字图像处理技术将水稻的茎叶区分开，从而实现水稻茎叶的无损准确分割。此外，高光谱成像技术也被成功应用于粮食产品质量检测[11]、植物种子萌发检测[12]等方面。

高光谱成像技术获得广泛应用，在于它与传统的成像技术相比具有以下优点:①光谱分辨率较高，具有100～400个光谱通道的探测能力，一般光谱分辨率可达λ/Δλ≈100；②测量时对作物无损害、无污染；③测量速度快，操作简单；④集成度高、成本低。值得注意的是，高光谱成像技术也存在一些问题。高光谱成像技术最主要的局限性是成像仪获取的信息冗杂，要从中获取有用信息，就要对所采集的大量图像数据进行分析处理，而有效处理这些图像信息是一件具有挑战性的工作[13]。

1.2热成像技术

红外辐射是自然界广泛存在的电磁波辐射，一切高于绝对零度的物体都在不断发出红外辐射[14]。热成像技术就是利用红外探测器和光学成像物镜，接收被测物体散发出的红外辐射，从而产生红外热图像，由此用来研究目标物体的特征信息。热成像技术是对红外辐射的可视化，可指示物体的表面温度。热成像相机的敏感光谱范围为3～14μm，最常用的波长是3～5μm或者7～14μm。在这2个波长范围内，红外辐射在空气中的速度接近其最大值[15]。

热成像技术首先在航空、军事、工业等领域被广泛应用。近些年来，随着热成像精度的提高和计算机数字图像处理技术的发展，热成像技术在农业上的应用也取得了快速发展，尤其随着红外无损检测技术的兴起，热成像技术在作物病虫害的早期检测方面取得了重大突破。

以小麦白粉病早期检测为例，Awad等[16]选取对小麦白粉病中度敏感的材料，分组进行不同处理，然后在同等适宜条件下培养，并用红外热成像仪观测小麦的叶片表面温度，捕捉热红外图像和其他相关数据，比较试验组和对照组的大量热红外图像。分析发现，小麦在感染了白粉菌的1h后，叶片表面温度有轻微下降。由此，热成像技术能在小麦早期病害诊断方面提供必要的信息。

热成像技术还可应用于其他方面。如农产品品质的无损检测[17]、农作物生长监测及逆境下的生理反应检测[18,19]、作物的抗旱性检测[20]等。

热成像技术主要优点有：①测量速度快，检测时不接触作物，对作物无损伤；②可大面积、远距离检测；③测量精度高；④空间分辨率高；⑤操作简单，可自动化和实时观测。该技术的局限性在于：①成像系统易受气候影响，尤其是在田间复杂的环境中，难以实现精确的测量；②该技术利用物体不同部分表面的红外辐射差异成像，有些作物在常温下各部分温度差异不明显，很难准确成像；③农作物种类繁多，目前尚未构建完备的热辐射特性模型用于热成像图像分析。

1.3荧光成像技术

荧光是指一种光致发光的冷发光现象。当某种常温物质经某种波长的入射光(通常是紫外线或X射线)照射，吸收光能后进入激发态，立即退激发并发出比入射光的的波长长的出射光(通常波长在可见光波段)；一旦停止入射光，发光现象也随之立即消失。具有这种性质的出射光被称为荧光。

荧光成像系统通常由相机、激发光源、滤光片和计算机4个部分组成。相机通常采用波段连续且灵敏度高的单色相机，以捕捉比普通光微弱的荧光；激发光通常有4个波段，其中蓝光(波长435～480nm)被类胡萝卜素和叶绿素吸收；红光(波长640～780nm)只能被叶绿素吸收；绿光(波长500～560nm)被叶绿素吸收，但吸收量很小；紫外光(280～315nm)既能激发叶绿素荧光，还能激发短波荧光。滤光片通常是根据所需采集的荧光信号，安装不同颜色的滤光片来获取特定波长的激发光。计算机用来对采集信号存储和处理分析。

荧光成像技术在作物表型采集方面多用于作物逆境的生理反应及对作物病虫害的检测等[21,22]。在低温胁迫对水稻幼苗不同叶龄叶片叶绿素荧光特性的影响研究[23]中，选取5个不同的水稻品种(系)进行低温(4℃)处理，采用调制叶绿素荧光成像系统进行叶绿素荧光参数测定。结果发现在不同叶龄叶片的PSⅡ最大光化学量子产量(FV/FM)、不同叶龄叶片光化学淬灭系数(qP)和非光化学淬灭系数(qN)以及不同叶龄叶片的快速光响应曲线等存在显著差异。荧光成像也可用于其他方面，如Harbinson等[24]将该技术用于作物育种的高通量单株筛选；Lee等[25]用萘荧光探针探测锌在拟南芥HeLa细胞中的分布，Bauriegel等[26]用于作物的早期病害检测等。

与其他成像技术相比，荧光成像具有一些优势：①可测出作物的内部信息；②检测指标多样，能检测作物内部病害或元素缺失；③采集信息时不受温度、光照等环境因素影响；④操作简单，使用便捷，可在田间使用；⑤成本低。同样地，荧光成像存在较大的局限性，它只能检测与叶绿素或者其他色素含量变化相关的生理反应参数，从而限制了它的应用范围。

2　微波成像技术

微波是电磁波的一种，频率在300M～300GHz之间，具有频率高、信息量大、穿透性好的特点。微波成像主要指以微波作为信息载体的一种成像手段，实质属于电磁逆散射问题。成像的方法是将微波射入被测目标，让其透过目标并携带出目标的内部信息，接受信息后在计算机中进行一系列的处理和运算，形成图像。

微波技术首先广泛应用于工业、航空业、医疗业等领域。该技术在农业上主要用于单株植物的三维成像，包括株型的三维模型研究[27,28]、根系的形态探测[29,30]等方面。在单株玉米的三维建模中，刘睿等[28]通过对玉米进行激光雷达扫描试验，获取玉米植株每个点的点云数据，然后通过一系列的算法生成多边形网格或者参数曲面片，从而建立玉米植株的三维模型。另外，针对具有无损性探测的特点，崔喜红等[29]使用对地雷达系统，对植物的根系进行探测，探测数据经过软件处理，绘制出根系的三维图像。结果表明，通过与实际测量对比，雷达探测出的图像具有很高的相似性。同时，微波成像不受天气和距离的影响，可全天候用于农作物遥感识别[31]。

微波成像技术的优势在于：①能穿透障碍物，探测无法直接观测的部位；②测量不受时空限制，能够测时测距；③所成图像为三维立体图像。局限性表现在：①成像精度不高导致获取的信息质量不高；②数据源较少，获取的云点在重叠部位易丢失；③成像的图片处理难度较大。

3　展望

数字图像技术改进了传统的单一表型采集技术,在植物表型采集方面的应用已取得显著成效。表型组学(phenomics)的迅猛发展，对快速、无损、综合、高通量采集作物表型信息提出了新的挑战。植物高通量表型分析平台能够在一段时期内对大批量的测试对象采集个体植物多种表型数据，并且将这些数据转化为定性或者定量的结果。1998年，比利时率先研发高通量植物表型采集平台。2008年，澳洲植物表型组学设施(Australian Plant Phenomics Facility)在澳大利亚阿德雷德大学威特校区建立。2009年4月，第一届国际植物表型组大会在澳大利亚堪培拉成功举办。迄今为止，各种不同的自动化或半自动化的表型分析平台已取得较大的进展[32]。

相比较而言，室内高通量表型分析平台起步早、发展快，并且在作物研究中取得一系列成功应用。例如帕拉茨基大学利用PlantScreen植物表型成像分析系统开展拟南芥的表型采集，并用于豌豆低温胁迫的表型变化观测[33]，汪珂等[34]利用高通量分析技术采集玉米籽粒性状。

在作物研究中，田间试验是不可缺少的环节。近年来，高通量田间表型采集的成功案例也时有报道。如Zhu等[35]对根系的研究、Trachsel等[36]对玉米根构型的研究以及Araus等[37]在作物遗传改良方面的应用等。不容置疑，田间高通量表型分析仍存在诸多问题。在数据采集方面，各种成像技术都有着自己的制约条件，受到外界温度、光照等复杂的田间环境因素影响，一些遥感的成像技术受其测量精度制约。在数据处理方面，如何处理高通量表型分析获得的庞大数据，特别是其中大量冗杂信息，以最低的成本获取需要的信息。此外，田间高通量分析需要用到多种传感、定位技术，如何应对田间环境多变性，如何精准协调各个部件，也需要进一步研究。

高通量表型分析平台的广泛使用是未来作物表型研究的一个必然的趋势，还需要更多的技术攻关和协作。目前，将多种成像技术综合运用的尝试取得了一些可喜进展，但是任重而道远。

[1]潘映红.论植物表型组和植物表型组学的概念与范畴[J].作物学报,2015,41(2):175～186.

[2]Li J,Rao X,Ying Y.Detection of common defects on orangesusing hyperspectral reflectance imaging[J].Compute Electronics in Agriculture,2011,78:38～48.

[3] 田永超,杨杰,姚霞,等.利用叶片高光谱指数预测水稻群体叶层全氮含量[J].作物学报,2010,36(9):1529～1537.

[4]陈维军,周启发,黄敬峰.用高光谱植被指数估算水稻乳熟后叶片和穗的色素含量[J].中国水稻科学,2006,20(4):434～439.

[5]Mahlein A K,Steiner U,Hillnhütter C,etal.Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet diseases[J].Plant Methods,2012,8:3～15.

[6]杨杰,田永超,姚霞,等.水稻上部叶片叶绿素含量的高光谱估算模型[J].生态学报,2009,29(12):6561～6571.

[7]李美凌,邓飞,刘颖,等.基于高光谱图像的水稻种子活力检测技术研究[J].浙江农业学报,2015,27(1) :1～6.

[8]冯慧,熊立仲,陈国兴,等.基于高光谱成像和主成分分析的水稻茎叶分割[J].激光生物学报,2015,24(1):31～38.

[9]Huang W,Lamb D W,Niu Z,etal.Identification of yellow rust in wheat using in-situ spectral reflectance measurements and airborne hyperspectral imaging[J].Precision Agriculture,2007,8:187～197.

[10]Bock C H,Poole G H,Parker P E,etal.Plant disease severity estimated visually,by digital photography and image analysis,and by hyperspectral imaging[J].Critical Reviews in Plant Sciences,2010,29：59～107.

[11]Gowen A A,O′Donnell C P,Cullen P J,etal.Hyperspectral imaging——an emerging process analytical tool for food quality and safety control[J].Trends in Food Science & Technology,2007,18:590～598.

[12]Nansen C,Zhao G,Dakin N,etal.Using hyperspectral imaging to determine germination of native Australian plant seeds[J].Journal of Photochemistry and Photobiology B:Biology,2015,145:19～24.

[13]ElMasry G,Wang N,Vigneault C.Detecting chilling injury in Red Delicious apple using hyperspectral imaging and neural networks[J].Postharvest Biology and Technology,2009,52:1～8.

[14]徐小龙,蒋焕煜,杭月兰.热红外成像用于番茄花叶病早期检测的研究[J].农业工程学报,2012,28(5):145～149.

[15]Li L,Zhang Q,Huang D.A Review of imaging techniques for pant phenotyping[J] Sensors,2014,14:20078～20111.

[16]Awad Y M,Abdullah A A,Bayoumi T Y,etal. Early Detection of Powdery Mildew Disease in Wheat (TriticumaestivumL.) Using Thermal Imaging Technique[C].The Institute of Electrical and Electronics Engineer，2014:755～765.

[17]Danno A,Miyazato M,Ishiguro E.Quality evaluation of agricultural products by infrared imaging method.III.Maturity evaluation of fruits and vegetables [J].Memoirs of the Faculty of Agriculture,Kagoshima University,1980,16:157～164.

[18]Jones H G.Use of thermography for quantitative studies of spatial and temporal variation of stomatal conductance over leaf surfaces [J].Plant Cell and Environment,1999,22:1043～1055.

[19]Jones H G.Use of infrared thermometry for estimation of stomatal conductance as a possible aid to irrigation scheduling [J].Agricultural and Forest Meteorology,1999,95:139～149.

[20]刘亚.远红外成像技术在植物干旱响应机制研究中的应用[J].中国农学通报,2012,28(3):17～22.

[21]卢劲竹,蒋焕煜,崔笛.荧光成像技术在植物病害检测的应用研究进展[J].农业机械学报,2014,45(4):244～252.

[22]Daley P F.Chlorophyll fluorescence analysis and imaging in plant stress and disease[J].Canadian Journal of Plant Pathology,1995,17:167～173.

[23]王春萍,雷开荣,李正国,等.低温胁迫对水稻幼苗不同叶龄叶片叶绿素荧光特性的影响[J].植物资源与环境学报,2012,21(3):38～43.

[24]Harbinson J,Prinzenberg A E,Kruijer W,etal.High throughput screening with chlorophyll fluorescence imaging and its use in crop improvement[J].Current Opinion in Biotechnology,2012,23:221～226.

[25]Lee J H,Lee J H,Jung S H,etal.Highly selective fluorescence imaging of zinc distribution in HeLa cells andArabidopsisusing a naphthalene-based fluorescent probe[J].Chemical Communications,2015,51:7463～7465.

[26]Bauriegel E,Giebel A,Geyer M,etal. Early detection of Fusarium infection in wheat using hyper-spectral imaging[J].Computers and Electronics in Agriculture,2011,75:304～312.

[27]张建,李宗南,张楠,等.基于实测数据的作物三维信息获取与重建方法研究进展[J].华中农业大学学报,2013,32(4):126～134.

[28]刘睿,刘婷,董润茹,等.基于地基激光雷达数据的单株玉米三维建模[J].中国农业大学学报,2014,19(3):196～201.

[29]崔喜红,陈晋,关琳琳.探地雷达技术在植物根系探测研究中的应用[J].地球科学进展,2009,24(6):606～611.

[30]郭立,范碧航,吴渊,等.探地雷达应用于植物粗根探测的研究进展[J].中国科技论文,2014，(4):494～498.

[31]宋茜,周清波,吴文斌,等.农作物遥感识别中的多源数据融合研究进展[J].中国农业科学,2015,48(6):1122～1135.

[32]de Souza N.High-throughput phenotyping[J].Nature Methods,2010,7:36～36.

[33]Humplik J F,Lazar D,Furst T,etal. Automated integrative high-throughput phenotyping of plant shoots:a case study of the cold-tolerance of pea (PisumsativumL.)[J].Plant Methods,2015,11:1～11.

[34]汪珂,梁秀英,宗力,等.玉米籽粒性状高通量测量装置设计与实现[J].中国农业科技导报,2015,17(2):94～100.

[35]Zhu J,Ingram P A,Benfey P N,etal. From lab to field,new approaches to phenotyping root system architecture[J].Current Opinion in Plant Biology,2011,14:310～317.

[36]Trachsel S,Kaeppler S M,Brown K M,etal.Shovelomics:high throughput phenotyping of maize (ZeamaysL.) root architecture in the field[J].Plant and Soil,2011,341:75～87.

[37]Araus J L,Cairns J E.Field high-throughput phenotyping:the new crop breeding frontier[J].Trends in Plant Science,2014,19:52～61.

2016-04-08

国家自然科学基金项目(31471496)。

潘锐(1993-), 男，硕士生，研究方向为非生物逆境抗性。通信作者: 张文英，wyzhang@yangtzeu.edu.cn。

S126

A

1673-1409(2016)21-0038-04

[引著格式]潘锐，熊勤学，张文英.数字图像技术及其在作物表型研究中的应用研究进展[J].长江大学学报(自科版) ，2016，13(21)：38～41，46.