叶绿素荧光技术在植物表型分析的研究进展

作物优良品种选育是实现作物优质高产的关键。现代育种方法需要获取植株的大量表型信息,最终选育出性状稳定的优良品种。近年来,高通量植物表型分析技术因其快速、无损、高效等优势,为筛选优良作物品种提供了技术保障,已成为农学、工程、计算机科学等多学科交叉研究的热点。其中,叶绿素荧光技术作为植物光合作用的探针,是研究植物逆境胁迫表型的有力工具之一,能够实现植物生物与非生物胁迫的高效分析,加快作物优良性状的筛选。该文旨在阐述叶绿素荧光技术的研究进展和发展趋势,主要介绍了叶绿素荧光技术的基本原理和成像系统、叶绿素荧光参数的分析和处理方法,总结了在植物表型分析研究中的应用情况,探讨了该技术目前存在的问题和改进的方法,进一步展望了叶绿素荧光技术在植物表型分析中的应用前景。

基于三维重建技术的植物表型分析

植物表型作为基因组在环境中的实际表现,是研究基因功能和植物育种的重要桥梁,而破坏性的测量对于持续性的研究来说是灾难性的。大量的同一物种植物的取样,只能在一定程度上保证实验条件一样,但是基因组某一性状的表现不仅受基因影响还受环境影响。所以对植物进行三维重建,非破坏性的获取植物表型是必要的。文中主要介绍了基于图像序列的三维重建流程及算法,在一定程度上还原了植物的三维模型,从实验的角度论证了使用三维重建进行植物表型分析的可行性。

基于无人机高通量植物表型大数据分析及应用研究综述

植物表型是指基因和环境因素决定或影响的作物物理、生理、生化特征和性状。准确和快速的获取植物在各种不同环境条件下的表型信息,从而挖掘其基因组的遗传和表现规律,可有效推动有关基因组与表型信息关联性研究。无人机高通量植物表型平台凭借无人机机动灵活的特点,适合于农作物田间环境中的植物表型数据获取,具有数据获取效率高和成本低等优势,借助于图像、高光谱、激光雷达等先进传感器技术,为高效获取各类植物表型数据提供了可行的途径;与此同时,快速发展的大数据技术和智能数据分析技术为无人机所获取的植物表型图像提供有效的分析处理方法和技术。在此背景下,基于无人机平台的高通量植物表型分析,为研究田间作物表型信息提供了重要的方法和工具。本文综述了国内外无人机高通量作物表型大数据分析的最新研究成果,就其研究原理、相关算法、过程、关键技术及应用等进行总结与分析,重点讨论了应用于无人机高通量植物表型大数据分析相关的大数据处理与智能分析技术,重点分析了植物株高获取、叶面积指数、植物病害等典型的表型分析需求,并就其应用前景进行了总结和展望。

基于移动Kinect的低成本植物三维结构表型分析

表型分析对于理解植物基因型与环境之间的关系非常重要,开发高效且成本低的相关技术是精准农业等领域的一项典型需求。其中,代表性的RGB-D设备Kinect已用于植物表型分析,但其应用潜力尚未被充分挖掘。本文首先梳理比较了Kinect表征三维结构的三种原理方式,即点云基于深度图像(DI)生成,通过运动恢复结构(SfM)从彩色图像获得,以及合并DI和SfM点云生成融合数据(MD),并以FARO X330激光扫描仪获取的基准数据评估三种方式的性能。以植物玉簪为例的分析结果表明,对叶面积的估算DI点云的准确度最高,对叶片圆形度和偏心率的反演MD点云表现最佳,对叶倾角的反演SfM点云的性能最好。三种方式的结果差异源于它们表征不同结构的表现不同,对于叶面积的反演, SfM表征叶片相对不完整,而MD重建叶片的边缘存在不平滑的现象,导致两者精度不足;对于表征叶片的几何特征,通过合并DI和SfM数据生成的MD点云实现了信息增强的效果,使得其表现优于DI和SfM点云;叶倾角对深度测量的准确性更敏感,由于Kinect测量深度过程中通常存在误差,导致DI和MD点云反演精度偏低,而SfM点云仅通过彩色图像生成,因此其表现出反演叶倾角的最佳性能。性能比较与原因分析表明,三种方式对不同的结构特征有不同的适用空间,它们的集成有助于提升Kinect用于植物表型分析的整体性能,由此形成一种基于Kinect的移动表型高效分析技术;此外,提出的叶片几何描绘(LGD)模型可较好拟合叶片轮廓,有助于恢复部分被遮挡叶片的几何形态。提出了一种基于Kinect的低成本但高效的移动型三维植物结构表型分析技术,这对于促进作物监控、农业增产等有基础技术意义。