植物表型监测技术研究进展及发展对策

高宇+高军萍+李寒+郑文刚+张婉明

摘要：高效的植物表型监测技术作为现代化农业的一个重要研究方向，是育种、品种选择、基因组学和表型组学研究的一个先决条件。随着图像采集、网络传输技术、图像处理等技术的发展，植物表型监测技术的实际研究与应用日益得到重视。为了从整体上梳理植物表型监测技术的研究成果和存在问题，有效地推动植物表型监测技术发展和农业现代化进程，本研究介绍了植物表型监测技术的国内外研究进展，同时归纳了现阶段比较先进的植物表型平台产品，分析了其技术组成（主要是成像模块和图像分析模块），并且列举了植物表型监测中不同用途的图像分析方法。在此基础上阐述了植物表型监测技术目前存在的问题及相应对策，最后从3个方面作了前景展望。

关键词：植物表型；监测技术；成像模块；图像分析

中图分类号： TP391文献标志码： A文章编号：1002-1302（2017）11-0005-06

（aspiring）”的组学研究项目[3]。植物表型是指农艺性状的评估，如生育期、株高、叶面积、穗质量、分蘖数、形态，以及倒伏、病虫害、抗旱等[1，4]，广义上也包括细胞的表型特征、组织和器官，即表型组以及转录组、蛋白质组、代谢组学等。植物表型作为评估田间试验植物的关键技术，为获得植物不同生长阶段的特征，已开发出标准的测量尺度方法，如BBCH测量[5-7]。其中，BBCH是国际上通用的一种描述植物生育期的方式。BBCH是Biologische，Bundesanstalt，Bundessortenamt and Chemical industry的缩写，是一个对所有开花植物的各个生长阶段类似表现型统一编码的系统，以编码形式准确界定与标准化描述植物的生育期及生长状态，是一个较为通用并能包括多植物种类的系统[8]。以水稻为例，00表示种子的状态，1X表示秧苗长叶子的状态，X表示叶片数，2X表示分蘖期。由于通过手动测量分析植物的表型生理特征，很耗费时间，会产生高成本，并且分析结果具有不可靠性。手动测量通常在定义良好的静态测量条件下执行，所得到的数据集会产生误差，往往很难用于制定新的生长过程策略。因此，随着成像传感器系统技术的发展，自动表型监测技术的实现克服了上面描述的手工方法的缺点。成像传感器系统监测的数据具有客观性，并且可以对植物表型进行实时监测和分析。由于植物表型监测信息易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化农业生产过程中，人们将植物表型监测系统广泛地用于高通量植物表型平台[9-12]。

植物表型监测技术是21世纪现代化农业领域的重大革命。植物表型监测技术的科学意义在于准确、快速地获得具有内在联系的各种表型数据，有效监测农作物的生长情况，而实际意义在于该技术有助于培养优秀的生产品种。利用植物表型监测可以对温室植物的生长状态实现无损伤监测，而且测量结果准确、迅速，可以节省大量的人力物力，并为设施环境的调控提供可靠依据[13-15]。

1研究进展

近几年来，发达国家的大型企业和公众科研机构都投入了大量经费来构建大型植物表型平台，前者代表如杜邦先锋、孟山都、德国LemnaTec公司等，后者代表如澳大利亚植物表型组设施（Australian Plant Phenomics Facilit）“植物加速器”、美国唐纳德丹佛植物科学中心、日本理化学研究所等。表1给出了目前世界上已经开发出的一些植物表型平台产品，包括其资料来源、功能特性及实际应用等。

自1998年以来，德国的LemnaTec公司在植物表型监测系统方面，一直是世界领先的软件供应商和自动化的研究平台[16-18]。2013年2月，LemnaTec的Scanalyzers产品系列提供了全方位的表型研究平台，范围从台式系统到监测大型农田[19-26]。该公司在很多领域做了新的嘗试，包括育种专家关注的两大技术：高光谱成像和光合荧光（ΔF/Fm′）成像[27-31]。整个项目从工程的设计阶段到交付使用，LemnaTec公司表现出了卓越的工作效率，整个工期不到6个月。同时，Scanalyzers节能效率高达80%以上。整株植物包含根系部分，都能进行3D成像，通过改进传输管理系统，本系统的通量能提高35%，每天可获得多达2 000株植物的植物表型和生理数据，大大提高了巴伐利亚州农业研究中心（LFL）谷物育种的效率。Scanalyzers系列按照植物表型监测的不同需求分为Scanalyzer PL、Scanalyzer 3D、Scanalyzer Field等产品。其中，Scanalyzer PL适合监测小范围或者科学实验性的植物，根据测试目的，可以安装1～2个成像传感器。此台式平台可用不同的背光和顶光模式，监测到的表型具有高精度的特点。Scanalyzer 3D系统为不同植物的定量、非破坏性分析或在低吞吐量的条件下的植物模型构建开辟了新的前景。评估农业田间植物的重要特征，最可靠的方法是田间表型。Scanalyzer Field可以自动地在田间获得生长、形态学、生理学信息，并且可以无损地监控非常大的范围，保证高采样频率和高精度的效果，已用来分析增长率、生物量、基因以及结构等植物表型，在农业商业化生产中具有很大的优势。LemnaTec高通量表型筛查结果为一组巨大的具体表型参数、分析和报告，提供拟南芥、水稻、玉米到各种其他植物的全方位生理生态与形态结构成像分析，进行高通量植物表型成像分析测量、植物胁迫响应成像分析测量、植物生长分析测量、性状识别及植物生理生态分析研究等。2008年，科研机构代表澳大利亚植物表型组设施（Australian Plant Phenomics Facilit）在澳大利亚阿德雷德大学威特校区建立[1-2，32]。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，植物表型组学研究技术也进入一个新的阶段[33]。2012年，印度投入巨资，分别在印度农业研究理事会、印度园艺研究所和印度农业研究所建立了大型植物表型平台[34]。表1植物表型平台产品的比较

表型平台参考资源功能特性实际应用Scanalyzerhttp：//www.lemnatec.com能源效率>80%；流量增加35%；三维成像2013年2月，德国农业部长赫尔穆特布鲁纳宣布，巴伐利亚州农业研究中心植物表型平台正式运行WPScanhttp：//www.phenotrait.com超高吞吐量；非代工（Non OEM）；质量控制；大型项目经验>1002003年，WPS为比利时CropDesign建成世界第一套高吞吐量植物表型系统。TraitMillhttp：//www.cropdesign.com单击“克隆”软件机器人；每年可鉴定成百个不同的启动子-基因2005年，比利时的植物设计公司（CropDesign）成功地开发了一种称为TraitMill的技术平台FieldScanhttp：//phenospex.com每天有数万株，5 000株/h高通量FieldScan是一种在表型研究领域中的高通量植物表型平台KeyBoxhttp：//www.keygene.com可快速拆卸、包装，最终套件，操作简单，功能强大2013年9月23日，Keygene已经开发出1个国际的小型便携式植物表型平台Keybox。PlantScreenhttp：//www.phenomics.com.cn实时可见光谱（RGB）成像，热成像和荧光成像分析2013年，帕拉大学设有2套plantscreen表型成像分析系统DroughtSpotterhttp：//phenospex.com重量控制精度高达0.02%；4种自动灌溉模式DroughtSpotter提供12个或24个独立的灌溉称重装置

我国作为农业大国，目前许多农业研究者已在大量文献资料说明了植物表型监测在农业中的应用，如植物表型监测在性状挖掘、水分胁迫、植物病虫害、高通量筛选、化学筛选、分子育种等农业领域中均得到发展[35-38]。2009年，华中农业大学和华中科技大学联合自主研发了第一套高通量多参数植物表型测量设备，即植株表型参数自动提取系统（RAP-1.0），研究成果总体达到国际先进水平[39]。该系统集光电技术、自动控制和机械化技术于一体，实现了水稻、玉米、小麦、油菜等盆栽植物表型参数全自动、无损、高通量准确提取，以及植物栽培输送全自动一体化。测量参数包括：株高、分蘖数、叶片角度等株型相关参数，以及绿叶面积、鲜质量、干质量等生长发育相关参数。测量效率为30 s/株，即2 880株/d。在RAP-1.0的基础上增加近红外成像暗室和荧光成像暗室，可以升级为RAP-1.1，可实现植株水分分布、叶绿色荧光等生理表型参数实现无损高通量提取，总体测量效率为45 s/株，即1 920株/d。

但是，我国植物表型监测技术起步较晚，该项技术研究整体上相对于国外发达国家进展较慢，自主研发较少，许多公司主要处于对国外先进植物表型监测技术的引进推广和利用的阶段。例如，慧诺瑞德与多家国际知名的高端科研设备生产商达成了代理协议，共同为我国农业科研、育种和生产领域提供产品和系统解决方案。他们提供的荷兰WPS表型系统具有高通量植物表型测量分析、图像分析速度快等特性，能够更好地识别和分析植物的所有性状，准确计算植物生物量、生长速率、结构相关指标等，适用于各种尺寸的植物，从幼苗到成熟植株，例如水稻、小麦、玉米、番茄、甘薯、大豆、苜蓿、烟草、油菜等。

2植物表型监测技术组成

植物表型监测系统的结构框图一般如图1所示，主要包括3个模块：成像模块、网络传输模块和图像分析模块。通过成像模块对不同的植物通过RGB、红外热成像传感器、近红外成像传感器、光合荧光传感器等不同传感器对植物的整体或者部分进行成像，并通过以太网等技术将图像传输到图像分析终端，通过对图像的处理获取不同的植物表型参数，并将该参数用于环境监测、决策诊断等。最后通过对应用示范效果的評估等，对该技术的应用构建规范标准。本研究主要介绍的是成像模块和图像分析模块。

2.1成像模块

在高通量表型平台上，各种各样的成像方法被用于复杂特征的定量研究，如研究相关生长、产量和适应生物或非生物胁迫（疾病、昆虫、干旱和盐碱）的数据[40]。成像的目的是通过光与植物之间的相互作用，如反射的光子、吸收的光子或透射的光子定量测量表型。植物细胞和组织中的每一部分具有特定波长的反射、吸收和透射特性[41]。例如，叶绿素吸收的光子主要在可见光的蓝色和红色光谱区域。目前，植物的表型主要成像技术包括可见光成像、荧光成像、热红外成像、3D成像[42-43]、成像光谱技术和其他技术（MRI、PET和CT）。

2.2图像分析模块

图像分析模块是用于处理成像模块获取的监测对象监测图像的后台脚本。自动化图像分析是一个计算密集型的复杂任务，一般分为图像处理子模块和图像分析子模块两部分。

图像处理子模块用来从数据图像中获取特征数据。图像处理子模块主要由以下5个步骤组成：PC获取数字图像，图像滤波去除噪声，图像经开、闭运算平滑处理，图像二值化和获取图像特征值。在完成图像分析步骤时，各阶段的图像如原始图像、融合图像，存储在数据库中。

图像分析子模块用来对图像特征值进行分析，促进了植物3D模型的重建，能够更好地识别和分析植物的所有性状，准确计算植物生物量、生长速率、结构相关指标（如分蘖、穗、圆锥花序等）以及其他产量相关指标。目前已开发了各种独创性图像分析工具，允许用户将颜色信息与某些特定的实验参数相关联，然后应用到后期的自动化分析中。比如，这些工具可以在肥料优化试验中精确量化植物的绿色程度，也可以量化植物的衰老过程或者追踪植物病原体的响应等。对特定的颜色区域进行识别和量化，便可以阐明植物颜色变化与性状的相关性。通过表3所示的模式识别、三维重建、机器学习等技术作出决策诊断等。

3存在问题及对策

植物表型监测技术因其具有的优势在农业生产中得到了广泛应用，但是仍然不够成熟。本研究提出了该技术应用存在的问题以及对策。

（1）实时监测目标植物，多个成像传感器监测植物的不同属性，需要准确选择并配合使用相机或传感器。具体的对策是选择分辨率高、抗环境干扰强的相机，加强实时采集图像的稳定性和清晰度。组合使用各类传感器，如红外热成像传感器、RGB成像传感器、光合荧光传感器等。为了提高监测效果，可以采用全新的硬件设备，如英特尔实感摄像头（RealSense camera）集成了3D深度和2D镜头模块的设备，结合三维成像视觉技术的开发和应用[2，8-9]，能够赋予设备以类似于人眼的视觉深度，图像在拍照的瞬间将依照深度被分层捕获，从而可以重新调整焦点，直接读取所拍物体的三维数据，更快、更准确地了解植物参数。

（2）对于采集到的图像数据，监测系统自动处理信息的速度比较慢，不利于管理者针对植物生长实际状况及时作出合理的决策。具体对策是进行图像处理新算法的研究。利用新算法（3）随着我国发展现代化农业对农田植物表型监测信息化的需求越来越强烈，植物表型监测平台的安装数量逐渐增多。由于植物表型监测平台的采集、传输、分析等各个模块开发的不同，以及决策管理过程没有明确的标准可循，导致目前我国很多植物表型平台拥有各自的开发和应用标准，没有形成统一开放的技术标准体系，阻碍植物表型监测技术在全国范围内的发展。我国在植物表型监测技术方面一直在进步和完善，但是还需要对植物表型监测体系的一系列关键技术作出详细规范。建立统一的植物表型监测系统体系和规范，形成网络资源共享库，并且加强各个表型平台开发者之间相互协作，将有助于我国植物表型监测技术发展。

4前景展望

随着植物表型监测技术的成熟与发展，它将在现代和未来农业中得到更加广泛的应用。未来，植物表型监测技术发展主要表现为以下一些特性：（1）植物表型监测产品价格呈现下降趋势，功能逐渐增多。随着植物表型监测技术的快速发展，各个公司的竞争会越来越激烈，其价格也会持续下降。为了更大程度地占据需求市场，各个公司将会不断更新功能和提供更好的优化服务，开发出可靠性高、可维护性好、不断完善的表型监测产品。植物表型监测技术的应用具有巨大的空间，随着全球表型平台研究的快速发展，它在农业方面的应用将呈上升趋势。（2）技术方面的趋势是数字化、实时化和智能化。图像采集和传输的数字化是植物表型监测系统在技术方面发展的必然趋势。更多的数字摄像机，更宽的图像数据传输带宽，更高的图像处理速度，以及更先进的图像处理算法，将会得到更广泛的应用。这样的技术发展趋势将使植物表型监测技术向着更好的实时性和更高的智能程度不断发展。（3）统一开放的标准是植物表型监测技术发展的原动力。依靠封闭的技术难以促进整个行业的发展，只有形成统一而开放的标准才能让更多的厂商在相同的表型平台上开发产品。植物表型监测技术产品的好坏不能够通过单一因素来衡量，应该逐渐按照国际化的统一标准判定，随着中国农业自动化的逐渐开放，将带领与其相关的产品技术也逐渐开放。

植物表型监测技术发展方向是随着科技发展方向改变而改变的，随着计算机、网络、图像处理、传输技术的飞速发展，以及物联网的提出，植物表型监测技术正朝着一体化、数字化、网络化、系统集成化、图像处理智能化的方向发展。植物表型监测系统在农业上的应用可提高生产的自动化水平，解放劳动力，具有良好的应用前景。相信随着相关技术的发展，很多问题会得到好的解决，植物表型监测技术在农业领域上的应用会极大地加快农业现代化进程。

参考文献：

[1]玉光惠，方宣钧. 表型组学的概念及植物表型组学的发展[J]. 分子植物育种，2009，7（4）：639-645.

[2]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.

[3]Baker M. Big biology：the omes puzzle[J]. Nature，2013，494（7438）：416-419.

[4]Zhe L U，Zhang F，Qin M A，et al. Advances in crop phenotyping and multi-environment trials[J]. Frontiers of Agricultural Science and Engineering，2015，2（1）：28-37.

[5] Meier U，Bleiholder H. The BBCH scale - codification and description of phonological growth stages of plants and their international use in agricultural research[C]. Proceedings of the International Symposium，2007：8-10.

[6]Lottner O，Sluiter A，Hartmann K，et al. Movement artefacts in range images of time-of-flight cameras[C]. ISSCS 2007：International Symposium On Signals，Circuits And Systems，Vol 1，2007：117.

[7]Klose R，Penlington J，Ruckelshausen A. Usability study of 3D time-of-flight cameras for automatic plant phenotyping[J]. Bornimer Agrartechnische Berichte，2009，69：93-105.

[8]張存政，单炜力，龚勇，等. BBCH编码系统及其在我国农药管理体系中的应用[J]. 农产品质量与安全，2011（6）：48-50.

[9]沈凤悦，李毅念，陈信信，等. 高时空分辨率及高通量的稻茬麦苗期表型指标动态特征研究[J]. 作物杂志，2014（5）：117-121.

[10]周金辉，马钦，朱德海，等. 基于机器视觉的玉米果穗产量组分性状测量方法[J]. 农业工程学报，2015，31（3）：221-227.

[11]Aharoni A，Vorst O. DNA microarrays for functional plant genomics[J]. Plant Molecular Biology，2002，48（1/2）：99-118.

[12]CropDesign. Traitmill- platform and process[EB/OL].[2015-12-12].http：//www.cropdesign.com/tech_traitmill.php.

[13]李長缨，滕光辉，赵春江，等. 利用计算机视觉技术实现对温室植物生长的无损监测[J]. 农业工程学报，2003，19（3）：140-143.

[14]吴琼，朱大洲，王成，等. 农作物苗期长势无损监测技术研究进展[J]. 农业工程，2011，1（4）：19-25.

[15]林开颜，徐立鸿，吴军辉. 计算机视觉技术在作物生长监测中的研究进展[J]. 农业工程学报，2004，20（2）：279-283.

[16]康乐，王海洋. 我国生物技术育种现状与发展趋势[J]. 中国农业科技导报，2014，16（1）：16-23.

[17]吴建伟，卢大文，明博，等. 我国种业智能装备产业研究[J]. 中国农业科技导报，2014，16（6）：68-73.

[18]丁海凤，于拴仓，王德欣，等. 中国蔬菜种业创新趋势分析[J]. 中国蔬菜，2015（8）：1-7.

[19]Berger B，de Regt B，Tester M. High-throughput phenotyping of plant shoots[J]. Methods Mol Biol，2012，918：9-20.

[20]Klukas C，Pape J M，Entzian A. Analysis of high-throughput plant image data with the information system IAP[J]. Journal of Integrative Bioinformatics，2012，9（2）：191-193.

[21]Neumann K. Using automated high-throughput phenotyping using the LemnaTec Imaging Platform to visualize and quantify stress influence in Barley[C]//Plant and Animal Genome XXI Conference. Plant and Animal Genome，2013.

[22]Furbank R T，Tester M. Phenomics-technologies to relieve the phenotyping bottleneck[J]. Trends in Plant Science，2011，16（12）：635-644.

[23]Langridge P. High-throuput phenotyping of nitrogen response and use in wheat with lemnatec scanalyzer 3D[C]//Plant and Animal Genome ⅩⅩⅡ Conference. Plant and Animal Genome，2014.

[24]Helmert M，Lasinger H. The scanalyzer domain：greenhouse logistics as a planning problem[C]. ICAPS，2010：234-237.

[25]Pereyra-Irujo G A，Gasco E D，Peirone L S，et al. GlyPh：a low-cost platform for phenotyping plant growth and water use[J]. Functional Plant Biology，2012，39（11）：905-913.

[26]Naumann B，Eberius M，Appenroth K J. Growth rate based dose-response relationships and EC-values of ten heavy metals using the duckweed growth inhibition test （ISO 20079） with Lemna minor L. clone St[J]. Journal of Plant Physiology，2007，164（12）：1656-1664.

[27]燕辉，胡笑涛，姚付启. 限量灌溉对冬小麦光合与叶绿素荧光的影响[J]. 农业机械学报，2011，42（11）：49-54.

[28]赵友全，魏红艳，李丹，等. 叶绿素荧光检测技术及仪器的研究[J]. 仪器仪表学报，2010，31（6）：1342-1346.

[29]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.

[30]程建峰，陈根云，沈允钢. 神农架林区不同类型植物的叶片特征与光合性能研究[J]. 生态环境学报，2010，19（1）：165-171.

[31]Zhang Y J，Liu L Y，Hou M Y，et al. Progress in remote sensing of vegetation chlorophyll fluorescence[J]. J Remote Sens，2009，13：971-978.

[32]Finkel E. With ‘phenomics，plant scientists hope to shift breeding into overdrive[J]. Science，2009，325（5939）：380-381.

[33]李宏，韋晓兰. 表型组学：解析基因型-表型关系的科学[J]. 生物技术通报，2013（7）：41-47.

[34]朱会义，刘高焕. 印度农业研究系统发展的现状、问题与对策[J]. 中国农业科技导报，2002，4（2）：38-42.

[35]李树君，方宪法，南国良，等. 数字农业工程技术体系及其发展[J]. 农业机械学报，2003，34（5）：157-160.

[36]应义斌，傅宾忠，蒋亦元，等. 机器视觉技术在农业生产自动化中的应用[J]. 农业工程学报，1999，15（3）：199-203.

[37]刘燕德，应义斌，成芳. 机器视觉技术在种子纯度检验中的应用[J]. 农业机械学报，2003，34（5）：161-163.

[38]Andrade-Sanchez P，Gore M A，Heun J T，et al. Development and evaluation of a field-based high-throughput phenotyping platform[J]. Functional Plant Biology，2014，41（1）：68-79.

[39]Yang W，Duan L，Chen G，et al. Plant phenomics and high-throughput phenotyping：accelerating rice functional genomics using multidisciplinary technologies[J]. Current Opinion in Plant Biology，2013，16（2）：180-187.

[40]Australian plant phenomics facility[EB/OL].[2015-10-10]. http：//www.plantphenomics.org.au.

[41]Sozzani R，Busch W，Spalding E P，et al. Advanced imaging techniques for the study of plant growth and development[J]. Trends in Plant Science，2014，19（5）：304-310.

[42]Paproki A，Sirault X，Berry S，et al. A novel mesh processing based technique for 3D plant analysis[J]. BMC Plant Biology，2012，12（1）：63-75.

[43]Paulus S，Behmann J，Mahlein A K，et al. Low-cost 3D systems：suitable tools for plant phenotyping[J]. Sensors，2014，14（2）：3001-3018.

[44]Li L，Zhang Q，Huang D. A review of imaging techniques for plant phenotyping[J]. Sensors，2014，14（11）：20078-20111.

[45]Golzarian M R，Frick R A，Karthika R，et al. Accurate inference of shoot biomass from high-throughput images of cereal plants[J]. Plant Methods，2011，7（1）：2-12.

[46]Dias P M，Brunel-Muguet S，Duerr C，et al. QTL analysis of seed germination and pre-emergence growth at extreme temperatures in Medicago truncatula[J]. Theoretical and Applied Genetics，2011，122（2）：429-444.

[47]Grift T E，Novais J，Bohn M. High-throughput phenotyping technology for maize roots[J]. Biosyst Eng，2011，110（1），40-48.

[48]Hoyos-Villegas V，Houx J，Singh S，et al. Ground-based digital imaging as a tool to assess soybean growth and yield[J]，Crop Sci，2014，54（4）：1756.

[49]Baker N R. Chlorophyll fluorescence：a probe of photosynthesis in vivo[J]. Annual Review of Plant Biology，2008，59（1）：89-113.

[50]Chaerle L，Hagenbeek D，de Bruyne E，et al. Chlorophyll fluorescence imaging for disease-resistance screening of sugar beet[J]. Plant Cell Tissue and Organ Culture，2007，91（2）：97-106.

[51]Mishra K B，Iannacone R，Petrozza A，et al. Engineered drought tolerance in tomato plants is reflected in chlorophyll fluorescence emission[J]. Plant Science，2012，182（1）：79-86.

[52]Lootens P，Devacht S，Baert J，et al. Evaluation of cold stress of young industrial chicory （Cichorium intybus L.） by chlorophyll a fluorescence imaging. II. Dark relaxation kinetics[J]. Photosynthetica，2011，49（2）：185-194.

[53]Araus J L，Serret M D，Edmeades G O. Phenotyping maize for adaptation to drought[J]. Front Physiol，2012（3）：305-324.

[54]Jones H G，Serraj R，Loveys B R，et al. Thermal infrared imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field[J]. Funct Plant Biol，2009，36（10/11）：978-989.

[55]Sakamoto T，Shibayama M，Kimura A，et al. Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：872-882.

[56]Bolon Y T，Haun W J，Xu W W，et al. Phenotypic and genomic analyses of a fast neutron mutant population resource in soybean[J]. Plant Physiol，2011，156（1）：240-253.

[57]Cook J P，McMullen M D，Holland J B，et al. Genetic architecture of maize kernel composition in the nested association mapping and inbred association panels[J]. Plant Physiol，2012，158（2）：824-834.

[58]Huang J，Liao H，Zhu Y，et al. Hyperspectral detection of rice damaged by rice leaf folder （Cnaphalocrocis medinalis）[J]. Comput Electr Agric，2012，82（1），100-107.

[59]Matsuda O，Tanaka A，Fujita T，et al. Hyperspectral imaging techniques for rapid identification of Arabidopsis mutants with altered leaf pigment status[J]. Plant & Cell Physiology，2012，53（6）：1154-1170.

[60]Biskup B，Scharr H，Schurr U，et al. A stereo imaging system for measuring structural parameters of plant canopies[J]. Plant，Cell & Environment，2007，30（10）：1299-1308.

[61]Klose R，Penlington J，Ruckelshausen A. Usability study of 3D time-of-flight cameras for automatic plant phenotyping[J]. Bornimer Agrartech Ber，2009，69：93-105.

[62]Van Der Heijden G，Song Y，Horgan G，et al. SPICY：towards automated phenotyping of large pepper plants in the greenhouse[J]. Functional Plant Biology，2012，39（10/11）：870-877.

[63]Reis J R. Evaluation of phenotyping methods for maize[D]. Urbana：Untversity of Illinois，2013.

[64]Paulus S，Dupuis J，Riedel S，et al. Automated analysis of barley organs using 3D laser scanning：an approach for high throughput phenotyping[J]. Sensors，2014，14（7）：12670-12686.

[65]Fang S Q，Yan X L，Liao H. 3D reconstruction and dynamic modeling of root architecture in situ and its application to crop phosphorus research[J]. Plant Journal for Cell and Molecular Biology，2009，60（6）：1096-1108.

[66]Poorter H，Bühler J，van Dusschoten D，et al. Pot size matters：A meta-analysis of the effects of rooting volume on plant growth[J]. Funct Plant Biol，2012，39（10/11），839-850.

[67]Rascher U，Blossfeld S，Fiorani F，et al. Non-invasive approaches for phenotyping of enhanced performance traits in bean[J]. Functional Plant Biology，2011，38（12）：968-983.

[68]Yang W N，Xu X C，Duan L F，et al. High-throughput measurement of rice tillers using a conveyor equipped with X-ray computed tomography[J]. The Review of Scientific Instruments，2011，82（2）：025102.

[69]Flavel R J，Guppy C N，Tighe M，et al. Non-destructive quantification of cereal Roots in soil using high-resolution X-ray tomography[J]. Journal of Experimental Botany，2012，63（7）：2503-2511.

[70]Karunakaran C，Jayas D，White N. Detection of internal wheat seed infestation by Rhyzopertha dominica using X-ray imaging[J]. J Stored Prod Res，2004，40（5）：507-516.

[71]胡鹏程，郭焱，李保国，等. 基于多视角立体视觉的植株三维重建与精度评估[J]. 农业工程学报，2015，31（11）：209-214.

[72]楊福增，王峥，韩文霆，等. 基于小波变换的红枣裂沟的多尺度边缘检测[J]. 农业工程学报，2005，21（6）：92-95.

[73]张馨，李道亮，杨文柱，等. 高分辨率棉花异性纤维彩色图像的快速分割方法[J]. 农业机械学报，2011，42（1）：159-164，192.

[74]刘镕源，王纪华，杨贵军，等. 冬小麦叶面积指数地面测量方法的比较[J]. 农业工程学报，2011，27（3）：220-224.

[75]陈鼎才，王定成，查金水. 基于机器视觉的现实叶片面积测量方法的研究[J]. 计算机应用，2006，26（5）：1226-1228.

[76]蔡健荣，周小军，李玉良，等. 基于机器视觉自然场景下成熟柑橘识别[J]. 农业工程学报，2008，24（1）：175-178.

[77]喻擎苍，严红滨. 一种基于图像轮廓线的稻种模糊模式识别方法[J]. 农业工程学报，2002，18（1）：150-153.

[78]刁智华，王欢，宋寅卯，等. 复杂背景下棉花病叶害螨图像分割方法[J]. 农业工程学报，2013，29（5）：147-152.

[79]周俊，王明军，邵乔林. 农田图像绿色植物自适应分割方法[J]. 农业工程学报，2013，29（18）：163-170.

[80]贾伟宽，赵德安，阮承治，等. 苹果夜视图像小波变换与独立成分分析融合降噪方法[J]. 农业机械学报，2015，46（9）：9-17.

[81]杨福增，张艳宁，王峥，等. 基于小波变换的Wiener滤波算法去除苹果图像噪声[J].