欧亚国际

橄榄油作为一种健康的抗氧化剂（如酚类化合物），导致橄榄作物在全球越来越流行。此外，酚类化合物（酚类）具有约50%的油抗氧化能力，有助于其随着时间的推移保持稳定。尽管酚类物质有这些相关特征，但油的浓度（鲜重%）是作物经济效益的显著质量性状。与此相反，要总结果实的内在品质，应考季节变化对虑油和苯酚浓度的影响。与作物的人工管理模式相同，收获时间会影响石油和苯酚的丰富程度，进而影响产量质量和作物的经济效益。植物表型组学是一种创新的、非侵入性的、基于图像的技术，通过它可以识别植物特征并检索它们对各种刺激的定量反应。随着成像技术应用的增加，值得注意的是，它越来越多地与人工神经网络（ANNs）相结合，以提高对植物性状的监测的精度。

2023年6月， Plant Phenomics 在线发表了UNIVERSITÀ DEGLI STUDI DELLA BASILICATA 的 GIUSEPPE MONTANARO 等人题为 Phenotyping Key Fruit Quality Traits in Olive Using RGB Images and Back Propagation Neural Networks 的研究论文。

为了预测橄榄果实中的油和酚浓度，我们结合反向传播神经网络（BPNN）和无接触植物表型技术来检索基于RGB图像的油和酚浓度。连续两年每间隔10天采集三种不同成熟时间的橄榄品种的果实，拍照并分析酚和油浓度。在此之前，对水果样本进行拍照，并对图像进行分割，提取红色(R)、绿色(G)和蓝色（B），以35个基于RGB的比色指标重新排列图像的平均像素值。利用原始的35个RGB指数，设计了3个BPNNs作为输入变量(a)，(b)进行主成分分析（PCA）预处理后的主成分得分，(c)进行稀疏PCA后RGB指数的数量减少。结果表明，所有BPNN的R2平均值最高，分别为0.87~0.95（油）和0.81~0.90（酚类）。除了R2之外，还计算了均方根误差RMSE和平均绝对误差MAE，并将其合并为一般性能指标GPI。GPI的排序结果表明，可以为根据其成熟期分组的品种设计一个具有特定拓扑结构的BPNN。

本研究检验了一个假设，即油脂和苯酚浓度通过BPNN检索整个季节橄榄果实的RGB图像比色指数进行预测。本研究表明，基于RGB的图像表型可以有效预测橄榄果实的关键品质性状，支持数字农业领域的橄榄区发展。

图1 成像、分割、水果质量（油和总酚）的测定，以及通过反向传播神经网络（BPNN）建模的实验设计流程图。分割后，将感兴趣区域（ROI）分割成R、G、B通道（灰度），并测量每个通道中ROI的光强分布的平均值。BPNNs的输入（红色文本）是基于RGB的比色索引（BPNN），由PCA（PCA_BPNN）产生的PC1和PC2的分数，以及在稀疏PCA（SPCA_BPNN）之后选择的具有非零负载（NNZL）的RGB索引。PC数(2)和原始RGB索引输入遗传算法（GA），以确定非零负荷（NNZL）的特征数，作为稀疏PCA的输入参数；红星表示未用于SPCA_BPNN的索引，因为在稀疏PCA之后，它们的加载量为0

图2通过不同BPNN模型计算的（A、C和E）油和（B、D和F）苯酚浓度的残差值（抖动点）的分布，水平虚线表示0

论文链接：

http://spj.science.org/doi/10.34133/plantphenomics.0061

——推荐阅读——

Analyzing Changes in Maize Leaves Orientation due to GxExM Using an Automatic Method from RGB Images

http://doi/10.34133/plantphenomics.0046

Plant Phenomics | 基于RGB图像的基因型×环境型×管理相互作用下的玉米叶片方向变化分析

Predicting and Visualizing Citrus Colour Transformation Using a Deep Mask-Guided Generative Network

‍http://spj.science.org/doi/10.34133/plantphenomics.0057

Plant Phenomics | 基于生成式深度学习网络的柑橘表皮颜色可视化预测研究

加入作者交流群