网站首页技术中心 > 基于叶绿素荧光图像的高通量玉米图像分割和性状提取

基于叶绿素荧光图像的高通量玉米图像分割和性状提取

发布时间:2021-08-24 点击量:59

Plant Phenomics | 基于叶绿素荧光图像的高通量玉米图像分割和性状提取

1629766474457276.png

QQ图片20210824084942.png

玉米是人们生活中重要的作物,它产量高、用途广,广泛应用于食品、饲料及生物质能源的生产中。为了应对未来几十年世界人口快速增长所带来的物质需要,人类对玉米产量的需求正在不断增加。目前,研究者们为了减轻气候和环境条件变化对玉米产量的影响,已在识别、改良和培育玉米新品种上做出了许多努力。

形态变化是植物应对干旱胁迫所作出的复杂调控之一,并且已被广泛研究。然而,由于缺乏对表型性状尤其是茎叶水平性状的高通量提取,使得从分子层面对玉米干旱胁迫响应的解读明显落后于植物生理学发展的整体趋势。目前,大部分植物表型数据都是通过手动以及有破坏性的方式采集的,人工采集数据的通量低、费时费力、数据可靠性也不尽人意,且人工采集局限于特定的生育时期,无法反映干旱胁迫对全生育期内玉米植株的总体影响。

集成式高通量表型(HTP)分析设施的出现,使得连续、自动化、无损和多模态测量植物性状成为了可能,并提高了表型数据的时空分辨率。在大多数高通量表型设施中,植株都生长在给定体积的盆内。在林业或园艺领域,在不影响种植效果的前提下缩小盆体积一直是研究的重点,但在表型相关研究中少有对盆栽大小对植株性能影响的研究。

近日,Plant Phenomics 在线发表了题为High-Throughput Corn Image Segmentation and Trait Extraction Using Chlorophyll Fluorescence Images的研究论文。

在该文中,作者基于一种基于RGB图像的高通量植物表型分析系统,充分利用了叶绿素荧光信号对玉米植株进行了分割,还开发了能够提取玉米茎叶性状的图像分析算法(Figure 3,4),并进行了实证试验(Figure 1),以验证提取到的性状在评估玉米植株干旱胁迫响应中的效用。

实证试验的数据记录了玉米植株在不同的水处理或不同大小的盆中生长的表现。结果表明,基于植株荧光图像的高通量分析是有效且可靠的(Figure 7);此外,在环境受控设施中进行植物表型试验时,使用统一大小的种植盆也十分重要。

QQ图片20210824084954.png

Figure 1: Proof-of-concept experimental design.

QQ图片20210824085009.png

Figure 3: Segmentation and skeletonization: the image analysis processes started with building the binary mask using the gray-scale chlorophyll fluorescence (CF) images; subsequently, the skeleton was created as a two-dimensional wireframe of the plant (image scale 1/4).

1629766571965344.png

Figure 4: Canopy traits extraction: extraction based on the points of interest calculated in the skeleton.

1629766616994373.png

Figure 7: Image-based vs. ground-truth measurements.

——推荐阅读——

The Application of UAV-Based Hyperspectral Imaging to Estimate Crop Traits in Maize Inbred Lines

Plant Phenomics | 无人机高光谱影像在玉米自交系作物性状估算中的应用

High-Throughput Phenotyping of Dynamic Canopy Traits Associated with Stay-Green in Grain Sorghum

Plant Phenomics | 高通量表型分析滞绿相关的高粱动态冠层性状

About Plant Phenomics

《植物表型组学》(Plant Phenomics)是由南京农业大学和美国科学促进会(AAAS)合作创办的英文学术期刊,于2019年1月正式上线发行,是Science合作出版的第二本期刊。采用开放获取形式,刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析技术基于图像分析和机器学习的表型分析研究,提取表型信息的新算法,作物栽培、植物育种和农业实践中的表型组学新应用,与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究,表型组学相关的植物生物学等。期刊已被CABI、CNKI、DOAJ、PMC、SCIE和Scopus数据库收录。

说明:本文由《植物表型组学》编辑部负责组稿。

中文内容仅供参考,一切内容以英文原版为准。

编辑:张威(实习)、鞠笑、孔敏

审核:尹欢

QQ图片20210824085043.png



QQ在线客服
电话咨询
  • 010-82794912