WIWAM高通量植物表型平臺—作物高光譜功能分析

更新時(shí)間：2022-05-25　點(diǎn)擊量：1038

WIWAM高通量植物表型成像系統由比利時(shí)SMO公司與Ghent大學(xué)VIB研究所研制生產(chǎn)，整合了LED植物智能培養、自動(dòng) 化控制系統、葉綠素熒光成像測量分析、植物熱成像分析、植物近紅外成像分析、植物高光譜分析、植物多光譜分析、植物CT斷層掃描分析、自動(dòng)條碼識別管理、RGB真彩3D成像等多項*技術(shù)，以較優(yōu)化的方式實(shí)現大量植物樣品——從擬南芥、玉米到各種其它植物的生理生態(tài)與形態(tài)結構成像分析，用于高通量植物表型成像分析測量、植物脅迫響應成像分析測量、植物生長(cháng)分析測量、生態(tài)毒理學(xué)研究、性狀識別及植物生理生態(tài)分析研究等。

室內植物表型成像系統WIWAM Line

基于SVM算法和超色調的高光譜圖像中的綠色植物分割

綠色植物分割在基于高光譜的植物表型分析中起著(zhù)重要的作用，然而，這一主題并沒(méi)有得到足夠的重視?，F有的圖像分割方法依賴(lài)于數據類(lèi)型、植物和背景，可能沒(méi)有利用高光譜數據的能力。本文提出了一種單類(lèi)支持向量機分類(lèi)器，結合超色調預處理方法對高光譜圖像中的綠色植物像素進(jìn)行分割。實(shí)驗結果表明，該方法能夠以較小的誤差從背景中分割出綠色植物，因此可以作為基于高光譜的綠色植物分割的通用方法。

為了評估步驟4中超色調的貢獻，應用了另一個(gè)使用類(lèi)似訓練過(guò)程而忽略步驟4的模型，在本文中被命名為REF。首先，使用驗證數據對模型進(jìn)行驗證，誤差列于表 1，其中 FP、FN 和 MIS 分別代表假陽(yáng)性率、假陰性率和誤分類(lèi)率。表 1 表明，與 REF 方法相比，HH 方法可以將誤差降低到較低階的水平。超色調與飽和度和強度無(wú)關(guān)，因此受局部表面角度偏差和植物自身陰影不穩定照明的影響較小。此外，超色調可以增加類(lèi)間距離。接下來(lái)，使用小麥、大麥、棉花、箭葉三葉草和澳大利亞金絲雀草的高光譜圖像對模型進(jìn)行了測試。對于每個(gè)物種，隨機選擇獨立于訓練和驗證數據的高光譜圖像進(jìn)行測試。首先使用Photoshop軟件對圖像進(jìn)行手動(dòng)分割，然后與自動(dòng)分割進(jìn)行比較。在 VNIR 數據中，比較了幾個(gè)廣為接受的植被指數，包括 NDVI、GNDVI、EVI等，發(fā)現使用閾值為0.3的 EVI 的方法可以提供最佳分割。在VNIR數據中測試了EVI、REF和HH方法的性能，而在SWIR數據中僅測試了REF和HH方法的性能。誤分類(lèi)率繪制在圖1和圖2中，它們表明HH方法顯著(zhù)減少了誤差。圖3顯示了REF和HH方法在SWIR數據中分割大麥的測試圖像。

表1.SVM 模型驗證的誤差率

圖1.VNIR 測試數據中的錯誤分類(lèi)率

圖2.SWIR 測試數據中的錯誤分類(lèi)率

在測試數據中，錯誤率高于驗證數據。有幾個(gè)因素可能導致測試數據的錯誤率較高。首先，在人工分割中，葉子邊緣的像素被分類(lèi)為前景，而在自動(dòng)分類(lèi)中，這些像素可以被分類(lèi)為背景，因為這些像素的光譜特征是背景和植物的混合。其次，手動(dòng)分割可能會(huì )有錯誤，特別是對于小麥和大麥這種窄葉植物。分割后的圖像將被進(jìn)一步處理，以分析植物中的營(yíng)養分布，包括氮、磷等。分割的精度可以滿(mǎn)足這一要求。使用較大的訓練數據來(lái)訓練更復雜的模型，如人工神經(jīng)網(wǎng)絡(luò )（ANN）或深度ANN，將獲得相同或更好的結果，但是，當考慮到勞動(dòng)力和數據收集成本時(shí)，最好使用較小的數據集來(lái)訓練具有可接受精度的模型。