O FieldPhenotyping ImagingSystem é uma ferramenta de alto fluxo para obter, analisar e avaliar as características fenotípicas de plantas, fornecendo dados sobre o crescimento, o desenvolvimento e o estado de saúde das plantas. Os sistemas de imagem fenotípica ajudam os pesquisadores a realizar análises fenotípicas precisas das plantas através da coleta de grandes quantidades de dados de imagem, combinando visão por computador e técnicas de processamento de imagem.
Os métodos para extrair dados fenotípicos de plantas de campo geralmente incluem várias etapas, como a coleta de imagens, pré-processamento de dados, extração de características e análise de dados. Abaixo estão os métodos de extração comuns em sistemas de imagem de fenótipos de plantas de campo.
1. Coleta de imagens
Primeiro, use um dispositivo de imagem dedicado para obter dados de imagem das plantas de campo. Estes dispositivos de imagem podem ser:
Câmeras de luz visível: utilizadas para fotografar as cores e formas naturais de plantas, muitas vezes para análises morfológicas simples.
Câmeras infravermelhas: utilizadas para capturar as características térmicas das plantas, ajudando a avaliar o estado de umidade das plantas, doenças e pragas.
Infravermelho Próximo (NIR): Usado para obter informações sobre o teor de umidade, níveis de nitrogênio, etc. das folhas de plantas.
Câmeras multiespectrais: avaliar a saúde das plantas, detectar doenças e muito mais através de imagens espectrais de diferentes comprimentos de onda.
Câmeras de alto espectro: fornecem informações espectrais de maior precisão que permitem reconhecer mais características fisiológicas da planta, como a composição química das folhas, o estado de crescimento da planta e muito mais.
Scanners a laser: são usados para obter dados estruturais tridimensionais de plantas para ajudar a analisar características espaciais como o volume, a forma e outros.
2. Pré-processamento de dados
Os dados de imagem brutos obtidos geralmente contêm ruído, partes incompletas ou inconsistentes e, portanto, requerem pré-processamento de dados. Estes passos ajudam a melhorar a precisão da análise posterior:
Eliminação de ruído: Use filtros (como filtro médio, filtro gaussiano, etc.) para remover o ruído da imagem.
Melhoria da imagem: processamento aprimorado da imagem, como ajuste de contraste, processamento de nitidez, etc., para destacar as características vegetais na imagem.
Correção de imagem: incluindo correção geométrica, correção de cor, etc., para garantir que as informações espaciais e de cor da imagem sejam precisas.
Divisão de imagem: separa a planta do fundo por meio de métodos como limiares, detecção de bordas ou aprendizado profundo para extração de características posteriores.
3. Extração de características
A extração de características é um passo fundamental no sistema de imagem fenotípica, com o objetivo de extrair características relacionadas ao crescimento das plantas e à saúde das imagens. Estas características incluem, mas não se limitam a:
3.1 Características da planta
Altura da planta: avalia a condição de crescimento da planta medindo a altura máxima da imagem.
Área das folhas: a área total das folhas da planta é calculada e geralmente pode ser obtida pela área das folhas divididas.
Morfologia da raiz: Analise a estrutura da raiz da planta usando a tecnologia de imagem 3D ou CT de raios-X.
Número de ramificações: avaliar o crescimento da planta através da análise da estrutura ramificada da planta.
Forma da lâmina: Analise a proporção de largura da lâmina, curvatura da borda, suavidade da superfície, etc.
3.2 Características da cor
A cor da planta pode refletir sua condição de crescimento, especialmente os níveis de nutrientes e umidade. Características de cores comuns incluem:
Conteúdo de clorofila: Calculando o brilho da área verde, o teor de clorofila das folhas da planta é estimado e, em seguida, a capacidade de fotossíntese da planta é avaliada.
Índice de saúde vegetal: Use imagens RGB de plantas para calcular índices de saúde vegetal (por exemplo, NDVI, índice de vegetação normalizada) para avaliar a saúde da planta.
Conteúdo de umidade: Estima o estado de umidade da planta através da diferença entre imagens de infravermelho próximo e luz visível.
3.3 Características estruturais tridimensionais
Tamanho e área da planta: Calcule a forma tridimensional da planta usando técnicas de imagem 3D, como um scanner a laser ou visão estéreo, para avaliar sua estrutura espacial e seu estado de crescimento.
Curvura e características da superfície da lâmina: extrair detalhes da superfície da lâmina através de dados de digitalização 3D para avaliar seu estado de saúde.
3.4 Dinâmica do crescimento
Taxa de crescimento: Calcula a taxa de crescimento da planta, o crescimento de ramos e folhas, etc., usando dados de imagem em vários pontos do tempo.
Aumento de peso das plantas: combinar medições externas, como o peso das plantas, para validar e complementar os dados de imagem para avaliar o estado de crescimento das plantas.
Análise e Modelagem de Dados
Os dados característicos extraídos requerem análise aprofundada através de métodos de análise e modelagem de dados para obter conclusões biológicas valiosas.
Análise estatística: Análise do impacto de diferentes tratamentos no crescimento das plantas através de métodos estatísticos de dados (como análise de regressão, análise de variação, etc.).
Aprendizagem de máquina e aprendizagem profunda: Use algoritmos de aprendizagem de máquina (como máquinas vetoriais de suporte, florestas aleatórias, redes neurais convulsivas, etc.) para classificar, analisar ou prever características fenotípicas de plantas.
Análise de associação de fenótipos: explorar a relação entre os genes e fenótipos das plantas, revelando os mecanismos de crescimento das plantas através da análise de associação com informações genéticas.
Ferramentas e softwares de extração de fenótipos comuns
OpenCV: uma poderosa biblioteca de visão por computador de código aberto amplamente usada para pré-processamento de imagens, extração de características e análise.
ImageJ: um software de processamento de imagem de código aberto, comumente usado para análise de imagens biológicas, com suporte a vários plugins.
MATLAB: fornece uma poderosa caixa de ferramentas de processamento de imagem e análise de dados para processamento e modelagem de dados fenotípicos de plantas.
Phenovator: um software para análise fenotípica de plantas capaz de processar e analisar dados de imagens de plantas em experimentos de campo.
DeepLabCut: uma ferramenta de rastreamento de movimento baseada em aprendizagem profunda, frequentemente usada para análise de crescimento e movimento de plantas.
6. Resumo
O método de extração do sistema de imagem fenotípica de plantas de campo, através da coleta de dados de imagem e da combinação de processamento de imagem e técnicas de aprendizagem de máquina, é capaz de extrair várias características de plantas, como a morfologia, a cor, a estrutura tridimensional, fornecendo apoio importante para a avaliação do estado de crescimento das plantas, a pesquisa genética, a criação, etc. À medida que a tecnologia de processamento de imagem e a tecnologia de sensores continuam a evoluir, a precisão e o escopo de aplicação dos sistemas de imagem fenotípica também estão se expandindo continuamente.