农作物表型技术及其智能装备研究进展与展望

邓若玲，潘威杰，王志琪，黄旭楠，杨秀丽，齐 龙

（华南农业大学工程学院，广东 广州 510642）

0 引言

农作物如水稻是我国最主要的粮食作物，常年种植面积约3 000 万hm2，总产量近2 亿t，是全国超过一半的人口的主食[1-3]。因此，提高农作物产量对我国乃至全世界都是非常重要的。先进的作物育种技术可以提高作物基因的改良率，从而更加容易培育出高产的优质农作物[4,5]。然而，无论是进行作物功能基因解析还是品种改良，都需要获取农作物的大量表型性状参数，因为这些参数既有助于弄清楚表型性状与不同基因之间的相关性，也能够直观地反映出作物生长的情况以用于品种的筛选[6]。作物表型性状参数按照作物生长时期划分，可以分为生长发育期表型性状参数（如株高、分蘖、绿叶面积、生物量、叶片数等）和成熟期表型性状参数（如有效穗数、穗长、总粒数、实粒数、粒长、粒宽、千粒重等）[7-10]。作物成熟期表型性状参数与作物的产量、品质直接相关，是最重要的作物表型性状参数，也是最直接反映作物育种水平的指标[11]。作物成熟期表型性状参数的获取过程也叫作物考种，传统的作物考种过程主要靠人工来完成，耗费的劳动力和时间资源非常多，而且测量精度和效率往往不能满足现代作物育种研究的需求。

近年来，随着信息技术、新一代人工智能技术与现代农业的深度融合，智慧农业领域应运而生。智慧农业是指将物联网感知、云计算、大数据分析、人工智能等技术应用到农业生产过程中进一步提升生产效率的一种现代农业模式。近年来，育种专家也提出将智慧农业的相关技术运用到农作物育种领域的建议，提高育种信息准确性和时效性，丰富育种信息数量和类型，加快育种信息分析速度和效率。因此，基于智慧农业领域的相关技术，研发出可靠的作物表型性状观测设备来辅助育种人员快速、准确地获悉作物表型特征信息具有重要的意义。

1 国内外相关技术发展现状和趋势

作物表型观测技术与设备不仅可以为作物表型性状的获取提供科学统一的标准，而且具有巨大的商业价值。国内外已经有许多研究机构和公司率先投入到该领域并取得了一定的研究成果。接下来，将对作物表型观测技术与设备的国内外研究现状进行介绍。

1.1 国外作物表型观测技术与装备研究现状

随着信息技术日益发展，国际上已经有不少研究机构开发出了作物表型观测设备，并投入实际应用。比利时的 CropDesign 公司，是世界上最早开展作物表型观测技术相关研究的机构，其开发的作物表型性状监测工厂TraitMill，能实现作物表型特征的大规模自动化分析，并已成功应用于水稻增产、抗逆基因筛选等[12]。德国著名的作物表型观测设备公司LemnaTec 所研发的Scanalyzer系列设备[13]，如图1 所示，包括台式作物表型分析系统Scanalyzer PL、实验室型作物表型分析平台Scanalyzer HTS、温室型3D 作物表型分析平台Scanalyzer 3D 和野外型作物表型监测平台Scanalyzer Field。Scanalyzer PL 和Scanalyzer HTS 适合对小型样品进行测量；Scanalyzer 3D 是一套全自动、高通量成像系统，通过3 个可变焦相机并结合样本旋转装置，对作物进行3D 成像与分析，可跟踪作物的成长过程，明确作物表型和生理功能之间的关系，已成功应用于玉米和拟南芥的定向育种；Scanalyzer Field 用于精准地监测野外作物的生长和健康状况。荷兰著名基因公司KeyGene 搭建了一个商业化的大型作物表型观测工厂PhenoFab，该工厂把一个巨大的温室用作作物表型观测研究的平台，利用专门设计的传送装置，将作物有序地送至成像暗房中进行成像，其成像模块主要包括可见光成像、近红外成像和荧光成像，可以获得作物表型、体内水分分布和生理状态的数字化图像，从不同角度对作物的性状特征进行选择和鉴定，极大地提高了育种工作的效率和质量[14]。在澳大利亚成立的作物表型组学实验室Australian Plant Phenomics Facility，其建设资金超过5 000 万美金，所拥有的两个作物表型研究平台已经成功应用于谷物盐胁迫研究、作物抗旱性和抗（硼）毒性研究、谷物生物量精准建模和预测、根系发育研究等[15]。荷兰PhenoSpex 公司专门为田间高通量作物表型观测设计了FieldScan 系统，该系统以作物激光三维扫描测量仪PlantEye 为核心，并集成多种传感器，可在复杂光照环境条件下，获取作物生长状况[16]。

图1 Scanalyzer系列设备Fig.1 Scanalyzer series equipments

此外，美国旱地农业研究中心开发高通量FBP(field-based phenotyping) 平台[17]，该平台由多个传感器组成，允许同时测量3 个带宽的棉花植株冠层高度、温度和光谱反射率，如图2 所示。该平台实时运动的GPS 能提供2 cm 以下的定位精度。试验表明，该FBP 平台几乎能够达到所需的高吞吐量水平。

图2 棉花植株田间表型平台Fig.2 Cotton plant field phenotype platform

2013 年，德国奥斯纳布吕克应用科学大学开发了针对小谷物植株的牵引式多传感器表型平台[18]，如图3 所示。该平台集成了各种光学传感器（如光幕成像、3D 飞行时间相机、激光距离传感器、高光谱成像以及彩色成像），以收集植物的光谱和形态信息。该平台的开发包括：机械设计，用于数据收集和数据处理的系统架构，集成系统的表型程序，来自现场试验的结果以进行数据质量评估，以及用于工厂高度确定的校准结果，作为平台应用程序的量化示例。

图3 BreedVision表型平台Fig.3 BreedVision phenotyping platform

2014 年，美国亚利桑那大学马里科帕农业中心开发了一种新颖的田间动态性状表型分析系统[19]，如图4 所示。该系统带有4 组传感器，可同时测量4 行相邻行的冠层高度、反射率和温度，从而能够以0.84 hm2/h 的速率收集表型数据。作者对2011年在亚利桑那州马里科帕（Maricopa）种植的25 个皮马棉（Gossypium barbadense L.）品种进行了系统性能评估。将田间种植的植物在浇水和缺水的条件下灌溉，在7 月和8 月的3 天的不同时间进行测量。结果显示，冠层高度、归一化植被指数和温度的测量均显示了品种之间的巨大差异，以及品种与水分状况和一天中不同时间的预期相互作用。冠层高度的广义遗传力（H2）最高（H2=0.86～0.96），其次是对环境更为敏感的归一化差异植被指数（H2=0.28～0.90）和温度（H2=0.01～0.90）性状。作者还发现，系统获得的值与航空影像和手动表型方法的值之间存在很强的一致性（R2=0.35～0.82）。综上所述，这些结果证实了表型系统具有能够快速、准确地测量多个性状的能力。

图4 一种新颖的田间动态性状表型分析系统Fig.4 A novel system for phenotyping dynamics traits in the field

由上述可知，国外的这些作物表型观测设备大多都集成了自动控制、光学成像、数字图像处理、数据分析及自动管理等先进技术，可以实现作物自动输送，表型性状参数自动提取和表型数据自动管理。但以上大多数研究机构对作物表型性状的观测仅仅是在作物某个生长时期的某一段时间，并不会对全生育期表型性状进行观测。而在不同的生长时期，作物的表型性状会发生显著变化，具有多样性，所以上述表型观测设备只能获取作物生长发育期表型性状参数，并不能满足对作物成熟期表型性状参数的提取需求。另外，不同国家、不同组织的育种人员所需要研究的作物品种和所需要提取的表型性状参数不尽相同，使得表型观测设备需要按照具体用户的实际需求进行定制，导致这些设备的售价都非常昂贵而且系统维护难度很高，不利于在我国实际应用中进行推广。

1.2 国内作物表型观测技术与装备研究现状

图5 Crop 3D平台Fig.5 Crop 3D platform

我国作物表型观测技术整体上相对于欧美发达国家而言水平较低并且发展较慢，许多公司处于对国外先进作物表型观测技术和设备的引进和代理的阶段[20]。例如，上海泽泉科技[21]、北京慧诺瑞德公司分别与多家国际知名的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。近些年，国内部分科研院所和农业院校开始重视作物表型观测技术研究和科研团队建设，并取得了阶段性进展。Crop 3D 作为国内首套作物三维表型监测系统，如图5 所示，由中国科学院植物研究所研发，其集成了激光雷达、高分辨率相机、多光谱和热成像仪4 种传感器，采用“sensor-to-plant”的工作方式，在240 s 内可完成20 m2面积的作物扫描[22]。其中，激光雷达获取的点云数据能够提供毫米级精度的表型结构信息，在作物叶倾角、叶面积密度、叶面积指数、作物三维体积等三维结构参数提取方面有明显的优势；高分辨率影像提供了群体水平完整的冠层覆盖信息，为作物三维重建提供了丰富的纹理信息；高光谱图像通过拼接、校正、匀色等处理，提供了高空间分辨率的植被指数，可应用于作物长势、作物生理状态评估；热成像仪提供了作物冠层温度的全天候监测，可实时地反映作物在生长胁迫下的生理状态，为作物表型和生理生态等研究提供了充分的支持。华中农业大学作物遗传改良国家重点实验室的水稻表型组研究团队研发了一种稻粒考种系统[3]，如图6 所示。该考种系统采用单色线阵列相机进行稻粒图像在线采集，采用多级皮带机构输运稻粒，并利用伺服线性风选装置分离实空粒，能够分析稻粒总粒数、实粒数、空粒数和千粒重。不过该考种系统的稻粒输运装置未能很好地避免稻粒黏连和稻粒重叠等现象产生，降低了图像分析结果的准确度，而且它的风选装置不能稳定地对不同品种的实空粒进行分离，遇到新的水稻品种就需要人工反复调节风力大小。另外，该系统没有稻穗脱粒功能，还不能实现水稻考种的全自动化，不利于在实际考种中推广使用。

图6 稻粒考种系统Fig.6 Rice grain size measurement system

2011 年，华中科技大学段凌凤研发了一台自动评估水稻产量相关性状的工程样机，该样机能评估每穗粒数、每穗实粒数、粒长、粒宽以及千粒重性状[23]，如图7 所示。该样机所有评估的产量性状的平均绝对百分比误差均小于5%，并且每24 h 连续工作日的效率约为1 440 株植物。2013 年，该团队的黄成龙研究了基于风选法的水稻数字化考种系统，并首次研制了一台单株水稻脱粒仪[24]。该系统采用的单色线阵列相机具有9 600 Hz 最大行频，可以满足在线采集的需求。该团队用伺服线性风选装置来分离瘪粒，首次实现了考种过程的全自动化。但该系统存在脱粒效果差，需针对不同品种反复调节碾压力，操作繁琐等缺点。脱粒仪存在枝干大量残留，谷粒黏连和谷粒残留等不足，这给图像处理增加了难度。此外，黄成龙也研发了能自动测量稻穗长度的“Smart-PL”系统[25]。但该系统需人工摆放稻穗，不符合现代智能农业的发展需求。

图7 华中科技大学开发的工程样机Fig.7 Engineering prototype developed by Huazhong University of Science and Technology

2019 年，扬州大学的WU WEI 建立了基于Faster R-CNN 的深度学习模型和线性回归模型，并比较籼稻和粳稻在不同图像采集设备和多种穗形之间两种方法的计数准确性，最后的精度分别为99%和96%[26]。试验得出结论，深度学习模型比线性回归模型需要更多的时间，如果考虑时间成本，建议使用线性回归模型来计算每穗的米粒数，否则，深度学习模型将是优化准确性的最佳选择。2019 年，南京林业大学的NI CHAO 提出了一种玉米自动检测机，如图8 所示，该机器由硬件和软件两部分组成[27]。软件部分使用ResNet 卷积神经网络检测玉米粒，408 张测试图像的精度为98.2%。

图8 玉米粒自动检测机Fig.8 Schematic of automatic maize-inspection machine

上海交通大学设计了一种田间机器人用于测量水稻性状[28]，如图9 所示。该机器人配备机械手模块和视觉系统，通过记录生长阶段幼苗位置信息来定位对象。通过模仿人类动作如推开相邻的水稻、展开稻穗和摩擦水稻，设计了3 种操纵器，包括水稻分离操纵器、测高操纵器和穗扩张操纵器，以减少重叠。此外，作者结合3 种操纵器，引入了3 个成像传感器，包括CCD 摄像机、结构化光传感器和激光传感器，以定量测量表型。结果表明，水稻分离机械手隔板可到达空间为1.6×10-3m3，测高机械手有效运动为1 300 mm，穗扩张机械手最大工作面积为32 500 mm2。试验结果与手动测量一致，表明该研究设计了一种有效且可靠的用于高通量获取水稻表型性状的方法。

图9 用于测量水稻性状的田间机器人Fig.9 Field robot for measuring rice traits

由上述可知，目前国内作物表型观测技术相关研究尚处于起步阶段，自主研制的作物表型观测设备较少而且现有的作物表型观测设备存在诸多技术问题。随着现代育种技术的不断发展，我国的水稻育种工作者对国内作物表型观测技术的发展充满了期待并提出了新的要求。为了打破国外技术壁垒，避免高昂的设备购置费用，很有必要研发一套具有自主知识产权的全自动高精度的作物考种系统来促进国内水稻育种技术研究的进一步发展。

2 预期的应用前景

随着国内人口增加，我国粮食需求也在不断增长。为了保证粮食供应充足，近年来我国政府加大了对农业研究的投入。研究作物智慧表型测量技术是一系列适应粮食安全、符合我国作物育种发展方向和满足省工省时的市场化经济需要的技术；研发作物智能表型平台机能对作物产量相关表型性状参数进行全自动高通量解析，克服传统人工测量方法所存在的缺陷，提高作物表型测量的效率和准确度，有效地打破国外表型观测技术壁垒，推动国内作物育种研究的进一步发展。开展作物育种研究可提供有力的科学工具，促进作物功能基因解析和品种改良研究，具有广阔的应用前景。