欧亚国际

小麦高光谱图像

机器学习正在改变我们的生活方式。目前，其已经广泛应用于在线销售甚至检测地震、造假以及剽窃等领域。

机器学习也为植物表型研究提供了提供了革新性机会。研究人员正在开发各种新方法，以便将机器视觉用于高光谱成像研究，例如评估各种生物胁迫与非生物胁迫。

传统胁迫和非胁迫测量方法耗时、耗力，很难将其与胁迫状态进行关联。研究者采用机器视觉方法后，可显著节省人力、时间，并很快就胁迫处理后、尚未出现表型性状前，就对胁迫进行定量，

传统上，育种者以及植物遗传学家无需在处理数周后再测量单个植物的地上与地下根部生物量。他们现在仅需拍摄图像并发送到推荐流程进行处理，就可以定量、可诠释以及无损方式进行分析。

当前高光谱成像在植物表型中的应用正日益受到重视，研究人员可通过该系统观测到植物内部组织结构、色素、水分情况等，调查植物如何受环境变量影响。研究人员已经做了大量高光谱研究，但如何处理和分析高光谱图像仍旧是一个难点，机器学习方法在该应用方向有很大潜力。机器学习算法在分析复杂图像传感器生成的大量数据集时，显示出很大的应用前景。

高光谱成像中，传感器同时扫描数以百计的波段。依据应用领域差异，相当多波段是冗余波段或不相关波段。在拍摄的数以百计的波段里，仅一小部分与研究重点相关。经过压缩，寻找到与特点表型相关的波段，将降低高光谱图像分析的挑战和复杂性。当然，对此特殊应用也可使用多光谱成像。科研人员正在努力开发数据库，有关于植物疾病和胁迫的光谱信息，可广为育种者、研究人员所接受。在主流期刊的植物表型研究中，研究人员大量使用了高光谱成像系统进行研究，如Plant Phenomics期刊，较近一篇高光谱应用的期刊题为“利用高光谱数据对高粱进行语义分割可识别遗传关联”，对高粱属植物的高光谱图像进行语义分割的一系列方法进行了评估。研究使用高通量表型平台生成了一组高粱和玉米的关联群体的高光谱图像。每个高光谱数据立方体包含546 nm到1700 nm的254个波段，覆盖部分可见光光谱和红外光光谱。利用众包平台Zooniverse手动注释了高粱图像中的7650个像素（包括背景，穗，叶和茎），这大大减少了开发能够记录被单击的像素位置和相应标签信息以生成基本真实数据的工具的工作量。通过五折交叉验证对八种机器学习算法进行了评估，其中大多数算法在高粱语义分割任务中表现良好。

Fig.2: Distinct reflectance patterns of manually classified hyperspectral pixels

上述工作证明了利用高光谱成像数据可以实现作物器官水平的准确语义分割。

目前商业化系统较成熟的高光谱（多光谱）成像系统来自于丹麦Videometer公司，其所开发的高光谱-可见光融合分析系统广泛应用于植物病害、植物表型分析领域。

反射差异图片 (彩色) ：大豆叶片780nm时的节奏异质性，LL条件（a)以不同时间 DD (b).

比利时根特大学开发的WIWAM植物表型系统，也可在高通量植物表型成像平台上整合高光谱成像模块。来自比利时和马来西亚的植物科学家利用高通量植物表型平台所集成的高光谱成像模块发表了题为Close-range hyperspectral image analysis for the early detection of stress responses in individual plants in a high-throughput phenotyping platform的论文，文章发表在先进期刊ISPRS Journal of Photogrammetry and Remote Sensing 138: 121–138上。高光谱成像模块的集成和分析是个性难题，目前上能整个该系统的厂家非常有限，对厂家的自动化集成能力和数据分析能力提出了巨大的挑战。

WIWAM Conveyor高通量植物表型成像系统 

北京欧亚国际科技有限公司是多家植物表型成像系统中国区总代理，全面负责其系列产品在中国市场的推广、销售和售后服务。