摘要 高通量植物表型采集對(duì)作物改良育種、栽培管理具有重要意義。室內(nèi)作為植物可控生長(zhǎng)環(huán)境的場(chǎng)所，是研究植物表型的重要載體，許多表型信息采集與分析平臺(tái)都是基于室內(nèi)環(huán)境開發(fā)的。闡述了4種室內(nèi)植物表型采集平臺(tái)的建設(shè)情況，總結(jié)了植物表型采集平臺(tái)的數(shù)據(jù)解析與管理方法，介紹了室內(nèi)植物表型采集平臺(tái)在植物研究中的實(shí)際應(yīng)用，對(duì)未來室內(nèi)植物表型采集平臺(tái)的發(fā)展提出了展望。

關(guān)鍵詞 植物表型；高通量；采集平臺(tái)

中圖分類號(hào) S-1 文獻(xiàn)標(biāo)識(shí)碼 A

文章編號(hào) 0517-6611（2024）18-0010-06

doi：10.3969/j.issn.0517-6611.2024.18.003

開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Research Progress and Prospect of Indoor Plant Phenotype Collection Platform

HUANG Yu-yan，HU Chu-han，WANG Tao et al

（Digital Agriculture Research Institute，F(xiàn)ujian Academy of Agricultural Sciences，F(xiàn)uzhou，F(xiàn)ujian 350003）

Abstract High-throughput plant phenotype collection is of great significance for crop improvement breeding and cultivation management.As a place that can control the growth environment of plants，indoor is an important place for studying plant phenotypes.There are many platforms based on the greenhouse environment for the collection and analysis of phenotypic information.This paper describes the construction of four indoor plant phenotype collection platform，summarizes the data analysis and management methods，introduces the practical application of the indoor plant phenotype collection platform in plant research，and puts forward the prospect of the future development of the indoor plant phenotype collection platform.

Key words Plant phenotype;High throughput;Collection platfrom

基金項(xiàng)目 福建省農(nóng)科院引導(dǎo)性科技創(chuàng)新項(xiàng)目（YDXM202210）。

作者簡(jiǎn)介 黃語燕（1987—），女，福建福州人，助理研究員，碩士，從事數(shù)字農(nóng)業(yè)研究。*通信作者，副研究員，碩士，從事數(shù)字農(nóng)業(yè)研究。

收稿日期 2023-11-13

植物研究需要結(jié)合基因型、表型與生長(zhǎng)環(huán)境，高通量測(cè)序技術(shù)的發(fā)展使人們可以獲得大量的基因組數(shù)據(jù)，然而植物表型組數(shù)據(jù)的獲取數(shù)量卻沒有以同等的速度增長(zhǎng)，一定程度上限制了植物研究的推進(jìn)［1-2］。表型作為基因型和生長(zhǎng)環(huán)境交互作用的結(jié)果，是植物生長(zhǎng)狀態(tài)的直觀體現(xiàn)，通過表型數(shù)據(jù)的高通量快速獲取，可加快推進(jìn)功能基因組學(xué)研究、作物育種改良、農(nóng)業(yè)精準(zhǔn)管理［3］。傳統(tǒng)上對(duì)植物表型的評(píng)估一般通過人力目測(cè)、手持操作或破壞性采樣完成，通過這些方式得到的數(shù)據(jù)，用于研究基因型、表型與環(huán)境之間關(guān)系時(shí)，存在精度差、主觀性強(qiáng)、效率低的缺點(diǎn)，制約了作物育種改良和功能基因組學(xué)研究速度［4］。隨著傳感技術(shù)、計(jì)算機(jī)技術(shù)的發(fā)展，高通量植物表型采集平臺(tái)已成為定量評(píng)價(jià)植物形態(tài)、發(fā)育和功能的關(guān)鍵工具［5-7］。植物表型技術(shù)結(jié)合了先進(jìn)的傳感器和數(shù)據(jù)分析方法，相對(duì)于人工表型獲取方法更加高效、可靠，極大地加快了表型研究進(jìn)程，滿足科研人員對(duì)高通量、精準(zhǔn)、無損的植物表型信息獲取需求［8-10］。

表型平臺(tái)的應(yīng)用場(chǎng)景主要有室內(nèi)和室外兩部分，室內(nèi)表型采集平臺(tái)一般部署在溫室或生長(zhǎng)室中，可精確調(diào)控植物生長(zhǎng)溫濕度、光照、土壤水肥等環(huán)境條件，能夠針對(duì)性地研究植物在特定環(huán)境中的生長(zhǎng)變化，避免了環(huán)境和基因型相互影響帶來的無法預(yù)測(cè)的表型變化［2，4］。因此，室內(nèi)表型采集平臺(tái)能在特定試驗(yàn)條件下對(duì)作物生長(zhǎng)發(fā)育進(jìn)行精確分級(jí)模擬和針對(duì)性研究，在植物研究中具有重要意義。

1 室內(nèi)植物數(shù)字表型平臺(tái)建設(shè)情況

植物表型采集技術(shù)的發(fā)展趨勢(shì)是從傳統(tǒng)的人工觀測(cè)到機(jī)器測(cè)量（如葉面積儀、葉片溫度測(cè)定儀等），再到逐步實(shí)現(xiàn)多參數(shù)、高通量、智能化采集［11-12］。為了高通量、高效率、高精度地提取植物表型信息的需求，多傳感器系統(tǒng)被廣泛用于表型研究［13］。目前主要使用的傳感技術(shù)有可見光成像［14］、高光譜成像［15］、多光譜成像［16］、近紅外成像［17］、紅外熱成像［18］、熒光成像［19］、三維成像［20］、激光雷達(dá)成像［21］、核磁共振成像［22］和CT成像［23］等，部分傳感器見圖1。這些傳感器以不同的方式被集成應(yīng)用，分別實(shí)現(xiàn)不同的功能。按照表型采集平臺(tái)搭載方式不同將采集平臺(tái)劃分為臺(tái)式、傳送帶式、軌道移動(dòng)式、機(jī)器人移動(dòng)式四大類［11］。

1.1 臺(tái)式植物表型采集平臺(tái)

臺(tái)式植物表型采集平臺(tái)還可以分為便攜式和非便攜式。便攜式設(shè)備操作方便、易于攜帶，能夠?qū)⑻幚砗蟮谋硇蛿?shù)據(jù)同步至智能終端，而且成本較低，已被廣泛應(yīng)用于植物表型性狀測(cè)量［24-25］。便攜式植物表型采集平臺(tái)搭載的傳感器主要有RGB相機(jī)、多光譜和高光譜傳感器、熱成像儀等［26］。Orlando等［27］設(shè)計(jì)了基于智能手機(jī)的PocketLAI應(yīng)用程序，可以精確估計(jì)植物葉面積指數(shù)，使智能手機(jī)變?yōu)楸銛y式葉面積指數(shù)測(cè)量?jī)x器。ASD公司的FieldSpec也是一種高光譜成像設(shè)備，可用于葉片反射性能評(píng)估［28］。Wang等［25］研發(fā)的LeafSpec（圖2）是一種便攜式、低成本的玉米葉片高光譜成像手持設(shè)備，它搭載了推帚式高光譜相機(jī)、葉片掃描儀、燈箱和基于ARM的微控制器，通過掃描可以獲取整個(gè)葉片的高光譜圖像，并實(shí)現(xiàn)氮素含量和相對(duì)含水量的預(yù)測(cè)。荷蘭KeyGene公司研發(fā)的一款便攜式植物表型平臺(tái)Key Box（圖3）則能進(jìn)行高通量表型分析，它采取了可折疊設(shè)計(jì)，可快速拆卸、打包，Key Box可打包成為一個(gè)拉桿箱，運(yùn)輸和攜帶非常方便。能夠?qū)崿F(xiàn)整株植物葉片、根部等器官的表型成像，具有極高的應(yīng)用價(jià)值［29］。這些便攜式植物表型采集設(shè)備能夠靈活地獲取研究所需要的表型參數(shù)，但是依舊需要人工操作，一般針對(duì)的也只是幾種特定器官，只能實(shí)現(xiàn)單點(diǎn)測(cè)量，一定程度上限制了其在高通量表型方面的應(yīng)用。

非便攜式臺(tái)式植物表型采集平臺(tái)體積較大，一般采用固定式搭架。這類表型平臺(tái)一般適用于中小型植物，由于沒有傳送裝置，必須手工更換樣品，但這類平臺(tái)已能滿足小批量采樣的需求［30］。

Pheno Box是奧地利科學(xué)院GMI研究所研發(fā)的自動(dòng)化表型分析平臺(tái)（圖4），可搭載RGB和高光譜相機(jī)，采用傳感器固定、植株旋轉(zhuǎn)的方式獲取植株不同角度的圖像，從而獲取各類葉片的表型參數(shù)，自動(dòng)化開源軟件和數(shù)據(jù)處理方法可以從https：//github.com/Gregor-MendelInstitute/Pheno Box-System網(wǎng)站獲取，該平臺(tái)需要手動(dòng)更換植株，每次只能拍攝1株，自動(dòng)化程度偏低，但是價(jià)格經(jīng)濟(jì)，開源的軟件使其能通過修改硬件和代碼以適應(yīng)特定的需求［31］。

慧諾瑞德（北京）科技有限公司開發(fā)的Plant Explorer是一款小型植物表型平臺(tái)，具備可見光成像、多光譜成像和葉綠素?zé)晒獬上窆δ?，可分析小型植物或植物器官的形態(tài)結(jié)構(gòu)、光合生理特征和成分［32］。該公司推出的Trait4D則是專門為盆栽植物的高通量三維圖像測(cè)量和性狀提取而設(shè)計(jì)的系統(tǒng)，通過植物旋轉(zhuǎn)對(duì)植物進(jìn)行多側(cè)面成像和頂部成像，進(jìn)而提取株高、寬度、凸包面積、顏色等20多個(gè)表型性狀，特別適合從幼苗到成熟植株的長(zhǎng)期時(shí)間序列測(cè)量［33］。

另外，Scanalyzer PL［34］、Plant Monitor［30］等臺(tái)式表型采集平臺(tái)也被廣泛應(yīng)用于室內(nèi)植物表型研究。這類非便攜式臺(tái)式植物表型平臺(tái)能以相對(duì)容易接受的造價(jià)實(shí)現(xiàn)各類表型觀測(cè)，但這類表型平臺(tái)依舊是半自動(dòng)的，在樣品輸送方面仍有改進(jìn)空間。

1.2 傳送帶式植物表型采集平臺(tái)

目前國(guó)內(nèi)外大多數(shù)大型室內(nèi)表型采集平臺(tái)為傳送帶式，即植物放置在傳送帶上，通過自動(dòng)控制系統(tǒng)自動(dòng)傳送至表型測(cè)量區(qū)域，實(shí)現(xiàn)自動(dòng)化、高通量的表型測(cè)量［11］。LemnaTec公司的Scanalyzer 3D（圖5）是一套全自動(dòng)、高通量成像系統(tǒng)，它可加載可見光、近紅外、根系近紅外、紅外熱成像和熒光等成像系統(tǒng)，根據(jù)不同的版本，能傳送10～1 200盆植物，所有種植盆配備自動(dòng)化識(shí)別標(biāo)簽，可跟蹤每棵植株的生長(zhǎng)過程，對(duì)植株的形態(tài)性狀、水分分布、逆境脅迫和生理狀態(tài)等多方面進(jìn)行研究［12，35］。

KeyGene和LemnaTec公司合作開發(fā)的PhenoFab平臺(tái)，利用傳送裝置將植物有序地送至暗室成像房中，其成像模塊主要包括可見光、近紅外和熒光成像。可以獲得作物表型、體內(nèi)水分分布和生理狀態(tài)的數(shù)字化圖像，從不同角度對(duì)作物的性狀特征進(jìn)行選擇和鑒定［36］。

WPScan是荷蘭WPS公司研發(fā)的，該平臺(tái)也是利用傳送帶將帶有條碼的植物傳送到成像模塊進(jìn)行成像，可以定期、自動(dòng)地監(jiān)測(cè)得到植物各個(gè)生長(zhǎng)階段的所有表型數(shù)據(jù)［30］。

除了國(guó)外的各類大型平臺(tái)，近幾年我國(guó)也致力于自主研發(fā)室內(nèi)植物數(shù)字表型平臺(tái)。華中農(nóng)業(yè)大學(xué)和華中科技大學(xué)的一個(gè)交叉學(xué)科團(tuán)隊(duì)研發(fā)了我國(guó)第一套高通量多參數(shù)作物表型測(cè)量系統(tǒng)HRPF，集成可見光成像、光電成像、自動(dòng)控制、機(jī)電一體化技術(shù)，能夠準(zhǔn)確地識(shí)別和表征與形態(tài)、生物量和產(chǎn)量相關(guān)的性狀，可實(shí)現(xiàn)水稻、玉米、小麥等作物的表型監(jiān)測(cè)。該團(tuán)隊(duì)還在此平臺(tái)基礎(chǔ)上結(jié)合高通量測(cè)序技術(shù)，證明了高通量表型分析有可能取代傳統(tǒng)的表型分析［37］。

這些平臺(tái)開啟了植物表型組學(xué)研究的新時(shí)代，能產(chǎn)生與海量基因組數(shù)據(jù)相匹配的表型數(shù)據(jù)，有利于科研與生產(chǎn)實(shí)踐的開展，但是大型平臺(tái)的建設(shè)需要投入大量的資金，不適合在一些基層科研單位與生產(chǎn)單位推廣。

1.3 軌道移動(dòng)式植物表型平臺(tái)

軌道移動(dòng)式表型平臺(tái)是通過軌道帶動(dòng)表型采集設(shè)備運(yùn)動(dòng)，植株保持不動(dòng)的方式完成采集。這類系統(tǒng)的傳感器安裝在根據(jù)室內(nèi)結(jié)構(gòu)搭建的固定軌道上，能夠?qū)崿F(xiàn)可移動(dòng)的表型采集［11，30］。

中國(guó)科學(xué)院聯(lián)合其他機(jī)構(gòu)研發(fā)的Crop3D是門架軌道式高通量植物監(jiān)測(cè)平臺(tái)（圖6）。該平臺(tái)以激光雷達(dá)為主，并集成紅外熱成像、工業(yè)相機(jī)、高光譜成像等傳感器。平臺(tái)通過移動(dòng)軌道對(duì)特定植物進(jìn)行掃描，采集獲得植株的二維RGB圖像、三維點(diǎn)云、光譜反射率等數(shù)據(jù)，對(duì)數(shù)據(jù)進(jìn)行分析處理，可以獲得植物株高、葉長(zhǎng)、葉寬、葉面積等表型參數(shù)，將分蘗期水稻點(diǎn)云提取的株高、水稻分蘗數(shù)與人工測(cè)量值進(jìn)行精度分析，相關(guān)系數(shù)分別為0.94和0.80，RMSE為3.45 cm、2.21個(gè)［38］。

FieldScan系統(tǒng)是荷蘭PhenoSpex公司研發(fā)的，可適用于室內(nèi)及室外高通量表型測(cè)量。Fieldscan以多光譜激光三維掃描測(cè)量?jī)xPlantEye為核心，并加載多種成像傳感器，可獲得植物葉面積、葉傾角、冠層等參數(shù)［39］。

捷克PSI植物表型研究中心的PlantScreen平臺(tái)采取的也是類似的設(shè)計(jì)，能夠?qū)崿F(xiàn)室內(nèi)植物的三維自動(dòng)掃描成像［40］。

軌道移動(dòng)式植物表型平臺(tái)采用傳感器移動(dòng)、植物不動(dòng)的方式完成采集，靈活性大、工作效率高，而且與傳送帶式大型平臺(tái)相比建設(shè)成本較低，但是，還需在保持傳感器移動(dòng)穩(wěn)定性與相應(yīng)的軟件開發(fā)等方面做出更多努力［41］。

1.4 機(jī)器人移動(dòng)式植物表型采集平臺(tái)

機(jī)器人移動(dòng)式表型平臺(tái)其自身攜帶供電電源，可以提供行走動(dòng)力和為系統(tǒng)上的傳感器供電，通過自身移動(dòng)完成表型信息采集。

Atefi等［42］利用一種植物表型機(jī)器人系統(tǒng)，實(shí)現(xiàn)了植物葉片特性的自動(dòng)測(cè)量。該機(jī)器人系統(tǒng)由四自由度機(jī)械臂、飛行時(shí)間相機(jī)、便攜式光譜儀等組成。機(jī)械臂上的抓取器，集成了用于測(cè)量葉片光譜反射率的探頭（連接到便攜式光譜儀）和用于測(cè)量葉片溫度的熱敏電阻。該系統(tǒng)在溫室中用玉米和高粱進(jìn)行了測(cè)試，結(jié)果表明，表型機(jī)器人測(cè)得的葉片溫度與人工測(cè)量值呈顯著相關(guān)（玉米r2=0.58，高粱r2=0.63），對(duì)葉片葉綠素、水分和鉀的預(yù)測(cè)較成功（r2范圍為0.52～0.61），而對(duì)葉片氮和磷的預(yù)測(cè)較差，玉米和高粱的抓穗成功率分別為78%和48%。這種表型機(jī)器人可以通過采集葉片生理生化指標(biāo)來補(bǔ)充傳統(tǒng)的基于圖像的溫室植物高通量表型分析。

Bao等［43］設(shè)計(jì)了一款表型機(jī)器人（圖7），機(jī)器人由無人駕駛底盤、機(jī)械臂和一系列傳感器。傳感器包括RGB相機(jī)、激光掃描儀、高光譜相機(jī)、3D成像相機(jī)、熱成像、PAM熒光探頭等組成。傳感器系統(tǒng)可實(shí)現(xiàn)室內(nèi)自主導(dǎo)航和自動(dòng)定位功能，自動(dòng)探測(cè)植物冠層的葉子，可將傳感器探針精確放置在葉片表面。并基于計(jì)算機(jī)視覺算法收集各種表型及生理數(shù)據(jù)，自動(dòng)獲取植物株高、葉片溫度、光譜反射率、葉綠素?zé)晒獾葏?shù)。

機(jī)器人表型平臺(tái)讓人們看到了受控環(huán)境下植物表型監(jiān)測(cè)的新可能，機(jī)械手臂的夾持等操作其實(shí)就相當(dāng)于用人工表型方法進(jìn)行測(cè)量的過程，唯一不同的是它徹底解放了人力。這種新型的移動(dòng)式植物表型平臺(tái)綜合了便攜式設(shè)備高靈活性和其他平臺(tái)高通量、自動(dòng)化的優(yōu)點(diǎn)，具有極好的應(yīng)用前景，但由于機(jī)器人控制技術(shù)與室內(nèi)自身空間等方面的局限性，這類平臺(tái)在室內(nèi)研究中只能作為輔助手段。

2 室內(nèi)植物表型采集平臺(tái)數(shù)據(jù)解析與管理

通過高通量植物表型平臺(tái)獲取到的原始數(shù)據(jù)，需要進(jìn)行進(jìn)一步的解析，從而提取所需要的表型性狀。由于目前表型數(shù)據(jù)的獲取主要通過各類成像實(shí)現(xiàn)，因此圖像處理成為表型數(shù)據(jù)解析的重要挑戰(zhàn)。開發(fā)準(zhǔn)確、魯棒性好、自動(dòng)化的算法，對(duì)于后續(xù)的表型研究具有重要意義［44］。表型圖像分析及處理每個(gè)環(huán)節(jié)都涉及許多技術(shù)難題，首先是植物本身，植物不是一成不變的，其形狀和外觀的復(fù)雜性在不斷增加，而且不同植物之間差異很大；其次，室內(nèi)的光照等自然條件是不穩(wěn)定的，雖然室內(nèi)是可控性較強(qiáng)的環(huán)境，但某些因素?zé)o法通過人為干涉改變；另外，遮擋、陰影、反射等造成的干擾或信息缺失以及復(fù)雜背景環(huán)境的處理在圖像分析中也需要格外注意［44］。這些因素造成的技術(shù)難題要求針對(duì)各個(gè)過程改進(jìn)和開發(fā)各類不同的算法，以求最客觀地反映植物的表型特征。目前，數(shù)據(jù)解析處理常用的程序語言有Python、C++、Matlab等，這類程序的開發(fā)需要利用各種圖像處理軟件庫(kù)，如OpenCV、PLC、Boost、VTK等，通過調(diào)用各種庫(kù)及相應(yīng)的算法完成圖像預(yù)處理、圖像分割，最終提取各種表型性狀。Gaggion等［45］開發(fā)了根系表型分析軟件Chrono Root，利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行圖像分割，并將時(shí)間一致性納入根系統(tǒng)結(jié)構(gòu)重建過程，從圖像序列中自動(dòng)提取根系表型參數(shù)。梁秀英等［46］運(yùn)用搭載相機(jī)的履帶式小車獲取多視角玉米植株圖片，基于運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)技術(shù)獲取玉米三維點(diǎn)云，運(yùn)用圓柱擬合、條件歐氏聚類、基于最值遍歷、三角面片化等算法實(shí)現(xiàn)莖粗、株高、葉面積等性狀的提取。徐勝勇等［47］用深度相機(jī)的獲取黃瓜苗俯視圖和側(cè)視圖，通過Mask R-CNN網(wǎng)絡(luò)分割葉片和莖稈、循環(huán)生成對(duì)抗神經(jīng)網(wǎng)絡(luò)（CycleGAN）處理葉片對(duì)齊圖、YOLO V5卷積神經(jīng)網(wǎng)絡(luò)識(shí)別深度圖像中的黃瓜苗生長(zhǎng)點(diǎn)，最終得到葉面積、葉片數(shù)、株高、莖粗和下胚軸長(zhǎng)等表型參數(shù)。未來，深度學(xué)習(xí)的應(yīng)用將會(huì)加大表型信息解析能力，促進(jìn)多尺度、多模態(tài)的表型數(shù)據(jù)之間的融合。

對(duì)植物表型進(jìn)行解析后會(huì)得到大量信息，而且，由于表型設(shè)備所采集的海量數(shù)據(jù)存在多標(biāo)準(zhǔn)、多尺度、多樣化等問題，急需采取統(tǒng)一的數(shù)據(jù)規(guī)范方法，以求最大程度實(shí)現(xiàn)數(shù)據(jù)利用和共享。徐凌翔等［11］綜述了世界各國(guó)的一些數(shù)據(jù)儲(chǔ)存和整合系統(tǒng)，表明了對(duì)多元數(shù)據(jù)融合和數(shù)據(jù)挖掘的重要意義。未來，如何進(jìn)一步推動(dòng)各種類型的植物表型數(shù)據(jù)管理，實(shí)現(xiàn)數(shù)據(jù)整合和共享至關(guān)重要。

3 室內(nèi)植物表型采集平臺(tái)的應(yīng)用

硬件與軟件配備齊全的室內(nèi)植物表型采集平臺(tái)在多方面都有極高的應(yīng)用價(jià)值，只要了解植物特性與表型的關(guān)聯(lián)，就可以由此開展相應(yīng)的研究。目前，室內(nèi)植物數(shù)字表型平臺(tái)已在作物育種、作物栽培和其他農(nóng)業(yè)實(shí)踐中表現(xiàn)出了巨大的潛力。

3.1 室內(nèi)植物表型采集平臺(tái)在作物育種改良中的應(yīng)用

育種的其中一個(gè)環(huán)節(jié)是選擇與優(yōu)良基因型相關(guān)聯(lián)的表型，室內(nèi)作為加代選育的關(guān)鍵場(chǎng)所，已成為快速篩選物種的重要環(huán)境。利用室內(nèi)植物數(shù)字表型平臺(tái)，研究人員在品種遺傳改良等方面取得了一定突破，通過培育眾多抗性品種，不斷解決著保證作物高產(chǎn)、穩(wěn)產(chǎn)的挑戰(zhàn)性難題［48］。作物的抗性表現(xiàn)在對(duì)一些生物或非生物因素脅迫的響應(yīng)上，脅迫因子通常有干旱、鹽害、養(yǎng)分虧缺、病蟲害等，而對(duì)這些脅迫因子的響應(yīng)又可以通過植物表型特征體現(xiàn)［49］，這便是研究植物表型的必要性。Guimares等［50］利用SITIS室內(nèi)表型平臺(tái)對(duì)2個(gè)耐水分脅迫性不同的棉花品種的一些農(nóng)藝和生理性狀進(jìn)行了評(píng)價(jià)。Zhou等［51］在室內(nèi)環(huán)境下研制了一套自動(dòng)化植物表型系統(tǒng)，用于全面評(píng)價(jià)大量不同大豆種質(zhì)資源對(duì)鹽脅迫的動(dòng)態(tài)響應(yīng)。Al-Lami等［52］開發(fā)了一種快速、無損、低成本、高通量的室內(nèi)篩選方法，通過計(jì)算機(jī)可視化和基于圖像的表型技術(shù)分析植物形態(tài)和顏色的脅迫指標(biāo)，研究植物對(duì)金屬毒害和養(yǎng)分虧缺的反應(yīng)。Zhang等［53］研制了一套受控環(huán)境下小麥自動(dòng)高通量表型鑒定系統(tǒng)，對(duì)小麥耐熱性和抗條銹病性進(jìn)行評(píng)估。Goggin等［54］通過自動(dòng)圖像采集和分析，量化了食草動(dòng)物對(duì)植物健康的影響，為抗蟲性和耐蟲性育種提供了方案。總之，各類成像和非成像傳感技術(shù)已成為作物育種中極有價(jià)值的工具，室內(nèi)植物數(shù)字表型平臺(tái)已是現(xiàn)代育種工作進(jìn)一步發(fā)展不可或缺的部分［8］。

3.2 室內(nèi)植物數(shù)字表型平臺(tái)在作物栽培中的應(yīng)用

已知植物表型是基因型與環(huán)境條件互作的結(jié)果，因此，除了優(yōu)良品種，實(shí)際采取的栽培管理措施和植物生長(zhǎng)所處的環(huán)境也會(huì)在植物表型特征上得到體現(xiàn)。換言之，表型平臺(tái)可以服務(wù)于室內(nèi)栽培決策。Li等［55］利用三維成像技術(shù)，通過圖像化的形態(tài)和空間結(jié)構(gòu)，全面地呈現(xiàn)了室內(nèi)植物的連續(xù)生長(zhǎng)過程，以便于監(jiān)測(cè)和管理植物生長(zhǎng)以及優(yōu)化智能室內(nèi)環(huán)境控制系統(tǒng)。Palmitessa等［56］利用熱成像比較了在不同補(bǔ)光條件下番茄幼苗的氣孔導(dǎo)度和蒸騰效率差異，通過表型變化進(jìn)一步探究植物適應(yīng)光環(huán)境的具體生理機(jī)制，為調(diào)控室內(nèi)栽培環(huán)境提供理論依據(jù)。Zhou等［28］利用FieldSpec測(cè)定了檸檬葉片的高光譜相關(guān)參數(shù)，通過分析不同干旱脅迫水平對(duì)檸檬葉片的影響指導(dǎo)室內(nèi)水分管理，進(jìn)而提高水分利用效率。Boogaard等［6］應(yīng)用數(shù)字植物表型技術(shù)估算了室內(nèi)黃瓜的節(jié)間長(zhǎng)度，跟蹤節(jié)間的動(dòng)態(tài)發(fā)展，提供關(guān)于植物生長(zhǎng)的詳細(xì)信息，提高作物維護(hù)的效率，從而降低勞動(dòng)力成本。由于室內(nèi)是可控環(huán)境，在室內(nèi)進(jìn)行植物栽培調(diào)控方面的研究具有很大的優(yōu)勢(shì)，由表型反演具體管理措施將成為未來植物生產(chǎn)的標(biāo)準(zhǔn)配置。

3.3 室內(nèi)植物數(shù)字表型平臺(tái)在其他農(nóng)業(yè)實(shí)踐中的應(yīng)用

室內(nèi)植物數(shù)字表型平臺(tái)不僅能服務(wù)于作物育種與作物栽培，aY7R8rjQTzTcr8aDbclcIMx2k2ENbDVoFihBpZNbm+0=還在其他的一些具體農(nóng)業(yè)生產(chǎn)活動(dòng)中表現(xiàn)出了巨大價(jià)值。Du等［57］建立了一個(gè)基于室內(nèi)的蔬菜高通量表型平臺(tái)（VHPP），可用于對(duì)蔬菜表型性狀進(jìn)行快速評(píng)估，監(jiān)控植物的動(dòng)態(tài)生長(zhǎng)狀況。Ma等［58］在室內(nèi)利用自動(dòng)化、高通量的高光譜成像系統(tǒng)和基于傳送帶的植物運(yùn)輸系統(tǒng)采集了玉米植株的頂視圖，通過提取頂部葉片光譜特征，為構(gòu)建玉米生物量模型提供了可行的方法。除了預(yù)測(cè)生物量，室內(nèi)植物數(shù)字表型平臺(tái)還被用于植物生產(chǎn)下游環(huán)節(jié)。Zhou等［59］研制了一套低成本的RGB圖像采集系統(tǒng)以實(shí)現(xiàn)室內(nèi)草莓的準(zhǔn)確檢測(cè)，提高了草莓機(jī)械收割水平。這些表型平臺(tái)具有在設(shè)施室內(nèi)推廣的優(yōu)勢(shì)，隨著其不斷發(fā)展進(jìn)步，相信未來能更高效地為各類農(nóng)業(yè)實(shí)踐服務(wù)。

4 研究展望

室內(nèi)植物數(shù)字表型平臺(tái)已在硬件裝配和軟件搭載方面取得了巨大的進(jìn)步，可以實(shí)現(xiàn)在可控條件下精準(zhǔn)、高效、無損地獲取各類植物表型信息。未來隨著表型信息采集技術(shù)與平臺(tái)的不斷成熟，將會(huì)有更為廣闊的應(yīng)用前景。

在硬件設(shè)施方面，其中一個(gè)重要的改進(jìn)方向就是傳感器精度的提高?，F(xiàn)有的植物6/zzcrG10U+ebxBOwXSVgDbIC/p+fx/YUB5Bf8AZpbw=表型平臺(tái)雖然已經(jīng)實(shí)現(xiàn)多傳感器的集成，但是傳感器的分辨率與抗干擾性依舊存在很大的改進(jìn)空間［30］。分辨率影響成像的質(zhì)量，分辨率越高，才能更多地體現(xiàn)植物表型的細(xì)節(jié)，更真實(shí)地還原植物的表型特征，為后續(xù)表型研究提供基本條件。提高傳感器抗干擾性對(duì)于現(xiàn)有的室內(nèi)植物數(shù)字表型平臺(tái)也具有重要意義。傳感器會(huì)受到電磁場(chǎng)等外部干擾，導(dǎo)致成像畸變，限制表型信息采集精度的提高［60］。因此，針對(duì)傳感器自身進(jìn)行改良是未來表型研究取得新突破的必然要求。室內(nèi)植物數(shù)字表型平臺(tái)的搭載方式也有改進(jìn)空間。室內(nèi)的空間是異質(zhì)的，會(huì)影響植物小氣候，在植物表型上造成較大差異。對(duì)此，可以首先考慮改進(jìn)硬件設(shè)施，不管是固定式平臺(tái)還是移動(dòng)式平臺(tái)，都可以增添傳送裝置，間歇移動(dòng)傳送帶上的植株，以最小的成本消除室內(nèi)對(duì)植物小氣候的影響［61］。此外，還要進(jìn)一步提高表型監(jiān)測(cè)的通量與效率，雖然目前國(guó)內(nèi)外已經(jīng)有了許多高通量表型平臺(tái)，但是依舊存在提升空間。同時(shí)，自動(dòng)化水平也是室內(nèi)表型平臺(tái)需要提高的，除了實(shí)現(xiàn)表型信息采集自動(dòng)化，還要結(jié)合設(shè)施室內(nèi)的特點(diǎn)，將自動(dòng)灌溉、環(huán)境自動(dòng)監(jiān)測(cè)等功能集成在表型平臺(tái)上，使室內(nèi)植物表型平臺(tái)變得更加智能。最后，要注重室內(nèi)植物數(shù)字表型平臺(tái)的自主研發(fā)，以研究需求與生產(chǎn)需求為導(dǎo)向，以最低的成本搭建最優(yōu)的平臺(tái)，實(shí)現(xiàn)不同功能。硬件條件是進(jìn)行植物表型研究的前提，要應(yīng)用多學(xué)科知識(shí)，集結(jié)多領(lǐng)域人才從不同角度改進(jìn)原有的硬件設(shè)施，努力朝著提高精度、通量與采集效率方向發(fā)展。

在軟件方面，要著重提高表型數(shù)據(jù)，尤其是圖像數(shù)據(jù)的處理速度?，F(xiàn)在對(duì)于各類室內(nèi)表型平臺(tái)所獲得的原始圖像一般使用的還是采集后批量處理方法，效率較低，而且不能做到實(shí)時(shí)輸出，使其在動(dòng)態(tài)監(jiān)測(cè)方面的應(yīng)用受到了限制。盡管可以使用機(jī)器學(xué)習(xí)、深度學(xué)習(xí)等算法實(shí)現(xiàn)自動(dòng)化分析，然而程序運(yùn)行速度與算法準(zhǔn)確度還需要進(jìn)一步優(yōu)化。近年來，深度神經(jīng)算法在植物表型方面取得了相當(dāng)大的進(jìn)展，可從此入手進(jìn)行深入研究以期實(shí)現(xiàn)實(shí)時(shí)反饋，為農(nóng)業(yè)生產(chǎn)各個(gè)環(huán)節(jié)的精準(zhǔn)決策和農(nóng)業(yè)信息化提供條件［62］。另外，還要注意提高圖像處理的精度，提升對(duì)室內(nèi)環(huán)境中的植物主體的識(shí)別能力，更好地發(fā)揮計(jì)算機(jī)視覺的優(yōu)勢(shì)。

今后，隨著硬件設(shè)備和配套軟件的不斷發(fā)展，室內(nèi)植物數(shù)字表型平臺(tái)只會(huì)有越來越廣泛的應(yīng)用空間。將數(shù)量不斷增長(zhǎng)、質(zhì)量不斷提高的植物表型組學(xué)數(shù)據(jù)與其他組學(xué)數(shù)據(jù)相結(jié)合，定會(huì)把室內(nèi)植物表型研究推向一個(gè)新的高度。

參考文獻(xiàn)

［1］

ARAB M M，MARRANO A，ABDOLLAHI-ARPANAHI R，et al.Combining phenotype，genotype，and environment to uncover genetic components underlying water use efficiency in Persian walnut［J］.Journal of experimental botany，2020，71（3）：1107-1127.

［2］ MA D D，CARPENTER N，AMATYA S，et al.Removal of greenhouse microclimate heterogeneity with conveyor system for indoor phenotyping［J］.Computers and electronics in agriculture，2019，166：1-9.

［3］ 丁小明.溫室環(huán)境下植物表型研究平臺(tái)［J］.農(nóng)業(yè)工程技術(shù)，2019，39（7）：82-85.

［4］ 何勇，李禧堯，楊國(guó)峰，等.室內(nèi)高通量種質(zhì)資源表型平臺(tái)研究進(jìn)展與展望［J］.農(nóng)業(yè)工程學(xué)報(bào)，2022，38（17）：127-141.

［5］ MILELLA A，MARANI R，PETITTI A，et al.In-field high throughput grapevine phenotyping with a consumer-grade depth camera［J］.Computers and electronics in agriculture，2019，156：293-306.

［6］ BOOGAARD F P，RONGEN K S A H，KOOTSTRA G W.Robust node detection and tracking in fruit-vegetable crops using deep learning and multi-view imaging［J］.Biosystems engineering，2020，192：117-132.

［7］ HENKE M，JUNKER A，NEUMANN K，et al.A two-step registration-classification approach to automated segmentation of multimodal images for high-throughput greenhouse plant phenotyping［J］.Plant methods，2020，16：1-10.

［8］ MAHLEIN A K，KUSKA M T，THOMAS S，et al.Quantitative and qualitative phenotyping of disease resistance of crops by hyperspectral sensors：Seamless interlocking of phytopathology，sensors，and machine learning is needed?。跩］.Current opinion in plant biology，2019，50：156-162.

［9］ BATZ J，MNDEZ-DORADO M A，THOMASSON J A.Imaging for high-throughput phenotyping in energy sorghum［J］.Journal of imaging，2016，2（1）：1-12.

［10］ 胡偉娟，凌宏清，傅向東.植物表型組學(xué)研究平臺(tái)建設(shè)及技術(shù)應(yīng)用［J］.遺傳，2019，41（11）：1060-1066.

［11］ 徐凌翔，陳佳瑋，丁國(guó)輝，等.室內(nèi)植物表型平臺(tái)及性狀鑒定研究進(jìn)展和展望［J］.智慧農(nóng)業(yè)，2020，2（1）：23-42.

［12］ 鄧若玲，潘威杰，王志琪，等.農(nóng)作物表型技術(shù)及其智能裝備研究進(jìn)展與展望［J］.現(xiàn)代農(nóng)業(yè)裝備，2021，42（1）：2-9.

［13］ BAI G，GE Y F，HUSSAIN W，et al.A multi-sensor system for high throughput field phenotyping in soybean and wheat breeding［J］.Computers & electronics in agriculture，2016，128：181-192.

［14］ 方偉，馮慧，楊萬能，等.基于可見光成像的單株水稻植株地上部分生物量無損預(yù)測(cè)方法研究［J］.中國(guó)農(nóng)業(yè)科技導(dǎo)報(bào)，2015，17（3）：63-69.

［15］ 李紅，張凱，陳超，等.基于高光譜成像技術(shù)的生菜冠層含水率檢測(cè)［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（2）：211-217，274.

［16］ 姜偉杰，孫明.基于多光譜成像的番茄葉片葉綠素含量預(yù)測(cè)建模方法研究［J］.光譜學(xué)與光譜分析，2011，31（3）：758-761.

［17］ 袁挺，許晨光，任永新，等.基于近紅外圖像的溫室環(huán)境下黃瓜果實(shí)信息獲?。跩］.光譜學(xué)與光譜分析，2009，29（8）：2054-2058.

［18］ 朱文靜，陳華，李林，等.基于紅外熱成像邊緣檢測(cè)算法的小麥葉銹病分級(jí)研究［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2019，50（4）：36-41，48.

［19］ 王迎旭，孫曄，李玉花，等.基于葉綠素?zé)晒獬上竦臏厥尹S瓜植株病害分類與病情監(jiān)測(cè)［J］.南京農(nóng)業(yè)大學(xué)學(xué)報(bào)，2020，43（4）：770－780.

［20］ 胡楊.基于深度相機(jī)的葉菜類作物三維重建與生長(zhǎng)測(cè)量方法研究［D］.杭州：浙江大學(xué)，2018.

［21］ 張新，高超，MARTIN KRAFT，等.基于“雙毯法”的植物葉態(tài)萎蔫辨識(shí)研究［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2016，47（11）：322-328.

［22］ ALICHE E B，PRUSOVA-BOURKE A，RUIZ-SANCHEZ M，et al.Morphological and physiological responses of the potato stem transport tissues to dehydration stress［J］.Planta，2020，251（2）：1-15.

［23］ TOLLNER E W，RAMSEUR E L，MURPHY C，et al.Techniques and approaches for documenting plant root development with X-ray computed tomography［M］//ANDERSON S H，HOPMANS J W.Tomography of soil-water-root processes.Madison，WI，USA：Soil Science Society of America，American Society of Agronomy，and Crop Science Society of America，1994：115-133.

［24］ KIM T，KIM J I，VISBAL-ONUFRAK M A，et al.Nonspectroscopic imaging for quantitative chlorophyll sensing［J］.Journal of biomedical optics，2016，21（1）：1-6.

［25］ WANG L J，JIN J，SONG Z H，et al.LeafSpec： An accurate and portable hyperspectral corn leaf imager［J］.Computers and electronics in agriculture，2020，169：1-11.

［26］ ARAUS J L，KEFAUVER S C.Breeding to adapt agriculture to climate change：Affordable phenotyping solutions［J］.Current opinion in plant biology，2018，45：237–247.

［27］ ORLANDO F，MOVEDI E，CODUTO D，et al.Estimating leaf area index （LAI） in vineyards using the PocketLAI smart-app［J］.Sensors，2016，16（12）：1-12.

［+sc5T4VJwa8+6HLC+7+yHA==28］ ZHOU J J，ZHANG Y H，HAN Z M，et al.Evaluating the performance of hyperspectral leaf reflectance to detect water stress and estimation of photosynthetic capacities［J］.Remote sensing，2021，13（11）：1-21.

［29］ 便攜式植物表型平臺(tái)——KeyBox［EB/OL］.（2017-04-07）［2023-04-17］.http：//www.zealquest.com/index.php？a=shows&catid=88&id=235.

［30］ 張慧春，周宏平，鄭加強(qiáng)，等.植物表型平臺(tái)與圖像分析技術(shù)研究進(jìn)展與展望［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（3）：1-17.

［31］ CZEDIK-EYSENBERG A，SEITNER S，GLDENER U，et al.The 'PhenoBox’，a flexible，automated，open-source plant phenotyping solution［J］.New Phytol，2018，219（2）：808-823.

［32］ 多功能植物光合表型測(cè)量系統(tǒng)［EB/OL］.［2023-04-17］.https：//www.phenotrait.com/product/26.html.

［33］ 盆栽植物數(shù)字性狀測(cè)量系統(tǒng)［EB/OL］.［2023-04-17］.http：//www.phenotrait.com/product/129.html.

［34］ 李娟，李霞，劉新紅，等.利用3D成像技術(shù)進(jìn)行黃瓜雜交組合表型分析［C］//中國(guó)園藝學(xué)會(huì)2018年學(xué)術(shù)年會(huì)論文摘要集.［出版地不詳］：［出版者不詳］，2018：188.

［35］ 全自動(dòng)高通量植物3D成像系統(tǒng)——Scanalyzer 3D［EB/OL］.（2017-04-01）［2023-04-16］.http：//www.zealquest.com/en/index.php？a=shows&catid=88&id=183.

［36］ HATES E，SPECKMANN G，HUVENAARS K，et al.Complex combinatorial effects of seed treatments，genotypes and environment quantified through digital phenotyping［C］//International plant and animal genome conference XXII 2014.Santiago：［s.n.］，2014：123.

［37］ YANG W N，GUO Z L，HUANG C L，et al.Combining high-throughput phenotyping and genome-wide association studies to reveal natural genetic variation in rice［J］.Nature communications，2014，5：1-9.

［38］ 郭慶華，吳芳芳，龐樹鑫，等．Crop 3D：基于激光雷達(dá)技術(shù)的作物高通量三維表型測(cè)量平臺(tái)［J］.中國(guó)科學(xué)： 生命科學(xué)，2016，46（10）：1210-1221．

［39］ 國(guó)外田間高通量植物表型平臺(tái)FieldScan應(yīng)用案例介紹［EB/OL］.（2016-07-06）［2023-04-25］https：//www.bio-equip.com/showarticle.asp？id=453084000.

［40］ PlantScreen植物表型分析系統(tǒng)——國(guó)際頂尖技術(shù)團(tuán)隊(duì)，提供頂尖技術(shù)服務(wù)［EB/OL］.［2023-04-25］.http：//www.eco-tech.com.cn/portal/article/index/id/152.h tml.

［41］ 郭慶華，楊維才，吳芳芳，等.高通量作物表型監(jiān)測(cè)：育種和精準(zhǔn)農(nóng)業(yè)發(fā)展的加速器［J］.中國(guó)科學(xué)院院刊，2018，33（9）：940-946.

［42］ ATEFI A，GE Y F，PITLA S，et al.In vivo human-like robotic phenotyping of leaf traits in maize and sorghum in greenhouse［J］.Computers and electronics in agriculture，2019，163：1-31.

［43］ BAO Y，ZARECOR S，SHAH D，et al.Assessing plant performance in the Enviratron［J］.Plant methods，2019，15（1）：1-14.

［44］ MINERVINI M，SCHARR H，TSAFTARIS S A.Image analysis： The new bottleneck in plant phenotyping［J］.IEEE signal processing magazine，2015，32（4）：126-131.

［45］ GAGGION N，ARIEL F，DARIC V，et al.ChronoRoot： High-throughput phenotyping by deep segmentation networks reveals novel temporal parameters of plant root system architecture［J］.GigaScience，2021，10（7）：1-15.

［46］ 梁秀英，周風(fēng)燃，陳歡，等.基于運(yùn)動(dòng)恢復(fù)結(jié)構(gòu)的玉米植株三維重建與性狀提?。跩］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2020，51（3）：209-219.

［47］ 徐勝勇，李磊，童輝，等.基于RGB-D相機(jī)的黃瓜苗3D表型高通量測(cè)量系統(tǒng)研究［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2023，54（7）：204-213，281.

［48］ FURBANK R T，TESTER M.Phenomics：Technologies to relieve the phenotyping bottleneck［J］.Trends in plant science，2011，16（12）：635-644.

［49］ SONG P，WANG J L，GUO X Y，et al.High-throughput phenotyping： Breaking through the bottleneck in future crop breeding［J］.The crop journal，2021，9（3）：633-645.

［50］ GUIMARES C M，STONE L F，DE BRITO G G，et al.Evaluation of water-stress tolerance of Acala SJ 2 and Auburn 2 cotton cultivars in a phenotyping platform［J］.Ambiente & água-An interdisciplinary journal of applied science，2017，12（4）：1-14.

［51］ ZHOU J F，CHEN H T，ZHOU J，et al.Development of an automated phenotyping platform for quantifying soybean dynamic responses to salinity stress in greenhouse environment［J］.Computers and electronics in agriculture，2018，151：319-330.

［52］ AL-LAMI M K，NGUYEN D，OUSTRIERE N，et al.High throughput screening of native species for tailings eco-restoration using novel computer visualization for plant phenotyping［J］.Science of the total environment，2021，780：1-41.

［53］ ZHANG C Y，PUMPHREY M O，ZHOU J F，et al.Development of an automated high- throughput phenotyping system for wheat evaluation in a controlled environment［J］.Transactions of the ASABE，2019，62（1）：61-74.

［54］ GOGGIN F L，LORENCE A，TOPP C N.Applying high-throughput phenotyping to plant-insect interactions：Picturing more resistant crops［J］.Current opinion in insect science，2015，9：69-76.

［55］ LI D W，XU L H，TANG X S，et al.3D imaging of greenhouse plants with an inexpensive binocular stereo vision system［J］.Remote sensing，2017，9（5）：1-27.

［56］ PALMITESSA O D，PRINZENBERG A E，KAISER E，et al.LED and HPS supplementary light differentially affect gas exchange in tomato leaves［J］.Plants，2021，10（4）：1-6.

［57］ DU J，F(xiàn)AN J，WANG C，et al.Greenhouse-based vegetable high-throughput phenotyping platform and trait evaluation for large-scale lettuces［J］.Computers and electronics in agriculture，2021，186：1-13.

［58］ MA D D，MAKI H，NEENO S，et al.Application of non-linear partial least squares analysis on prediction of biomass of maize plants using hyperspectral images［J］.Biosystems engineering，2020，200：40-54.

［59］ ZHOU C Q，HU J，XU Z F，et al.A novel greenhouse-based system for the detection and plumpness assessment of strawberry using an improved deep learning technique［J］.Frontiers in plant science，2020，11：1-13.

［60］ 胡敬禮.一種基于吊錘位置視頻識(shí)別技術(shù)的傾角傳感器：CN201620008585.6［P］.2016-09-14.

［61］ MA D D，CARPENTER N，MAKI H，et al.Greenhouse environment modeling and simulation for microclimate control［J］.Computers and electronics in agriculture，2019，162：134-142.

［62］ BUZZY M，THESMA V，DAVOODI M，et al.Real-time plant leaf counting using deep object detection networks［J］.Sensors，2020，20（23）：1-14.