多源波譜成像技術融合深度學習的棉苗鹽脅迫診斷方法研究

Plant Phenomics | 多源波譜成像技術融合深度學習的棉苗鹽脅迫診斷方法研究​

鹽脅迫是棉花生產(chǎn)中常見的非生物脅迫，會導致棉花的減產(chǎn)和品質(zhì)下降。在棉花對于鹽脅迫敏感的苗期，盡早地了解棉苗的鹽脅迫情況對于棉田灌溉策略調(diào)整和棉花耐鹽品種的培育有著重要意義。通常植物的生理、生化和分子測試可以準確的反應鹽脅迫的影響，但這些方法存在高成本、效率低和破壞性強等問題。隨著無損的光學成像技術快速發(fā)展，基于光學傳感的表型獲取(optical sensing-based phenotyping ,OSP)是目前精準農(nóng)業(yè)重要的發(fā)展方向。光學傳感器可以有效地反饋植物形態(tài)學信息、生化及生理信息，不同的光學傳感采集方案的結(jié)合有助于建立更加全面精準的作物診斷模型。
 

2023年12月，Plant Phenomics在線發(fā)表了福建農(nóng)林大學機電工程學院智能農(nóng)業(yè)關鍵技術與裝備創(chuàng)新團隊題為Noninvasive Detection of Salt Stress in Cotton Seedlings by Combining Multicolor Fluorescence–Multispectral Reflectance Imaging with EfficientNet-OB2 的研究論文。
 

在該研究中，研究人員先是設計搭建了一種能夠同時采集植物多光譜熒光（multicolor-fluorescence，MF）成像及多光譜反射（multispectral reflectance，MF）成像的高通量平臺。利用該平臺，有無鹽脅迫處理及不同鹽脅迫天數(shù)的棉苗多源波譜數(shù)據(jù)被進一步采集。
 

圖1 研究的總體流程示意圖

實驗結(jié)果表明，鹽脅迫會顯著增加棉苗近紅外波段的反射率，同時受鹽脅迫棉苗的植物指數(shù)PSRI（植物衰老指數(shù)，Plant Senescence Reflectance Index）和GR（綠度指數(shù)，Greenness）分別呈現(xiàn)出顯著上升和下降趨勢。在多光譜熒光數(shù)據(jù)的分析中，隨著鹽脅迫時間的增加，在棉苗的紅色熒光（690nm，720nm）亮度也出現(xiàn)了顯著的下降。這些數(shù)據(jù)表明多光譜反射和多光譜熒光都可以作為棉苗鹽脅迫診斷模型重要依據(jù)。為了進一步提高診斷模型的預測準確率，研究人員利用RelieF算法針對多光譜反射11個波段組合而成的55種光譜SR（simple ratio）指數(shù)進行篩選，11個不同的SR被篩選而出。為了優(yōu)化數(shù)據(jù)的共線性問題并提升診斷模型的效率，研究人員利用主成分分析（Principal Component Analysis，PCA）以95%的解釋性作為閾值，將 30個特征參數(shù)壓縮為9個主要成分。對于成像數(shù)據(jù)，則是PCA結(jié)合加權融合（Weighted Averaging）方法生成9個主成分通道的圖像。

針對這些不同的數(shù)據(jù)，基于不同機器學習模型及深度學習模型的棉苗鹽脅迫診斷模型被進一步分析和討論。結(jié)果表明：多源數(shù)據(jù)（MF和MR）的融合能夠進一步提升模型的診斷精度，相較于傳統(tǒng)機器學習模型支持向量機、隨機森林及K近鄰，深度學習模型EfficientNet實現(xiàn)了更高的診斷精度。為優(yōu)化多通道圖像對深度學習訓練速度及訓練準確度的影響，基于EfficienNet優(yōu)化的EfficienNet-OB被進一步提出，該模型在EfficienNet的基礎上根據(jù)不同主成分圖像的主成分解釋性分配對應數(shù)量卷積核，大幅加快和優(yōu)化了模型訓練的速度和訓練效果。最后，通過復合縮放理論（Compound Model Scaling）拓展的EfficienNet-OB2取得了最優(yōu)的效果，在棉苗開始鹽脅迫的第5、10、和17天取得了84.80%，91.18%及95.10%的準確率。
 

圖2 EfficientNet-B2和EfficientNet-OB2的訓練過程對比

作者團隊介紹

通訊作者簡介：
 

翁海勇，男，1989年生，碩士生導師，副教授。福建省高層次C類人才。主要從事作物優(yōu)質(zhì)抗逆表型挖掘及其裝備研發(fā)。

團隊簡介：

團隊圍繞福建省重點學科--農(nóng)業(yè)工程一級學科博士點，依托福建省農(nóng)業(yè)信息感知技術重點實驗室，面向國家重大產(chǎn)業(yè)需求和東南區(qū)域農(nóng)業(yè)發(fā)展需要，致力于農(nóng)業(yè)生產(chǎn)過程中的農(nóng)情信息感知技術、農(nóng)業(yè)生產(chǎn)裝備的智能化與精準化、機器視覺與農(nóng)業(yè)機器人、農(nóng)業(yè)無人機等方面的研究，長期為福建省農(nóng)業(yè)生產(chǎn)過程中的農(nóng)情智能感知、農(nóng)業(yè)智能裝備、農(nóng)業(yè)機器人等關鍵技術創(chuàng)新與設備研發(fā)提供技術服務和人才支撐。
 

福建農(nóng)林大學 機電工程學院 智能農(nóng)業(yè)關鍵技術與裝備創(chuàng)新團隊

團隊合照

團隊負責人簡介：

葉大鵬，教授/博士，博士生導師，福建農(nóng)林大學機電工程學院院長、福建省農(nóng)業(yè)信息感知技術重點實驗室主任、福建農(nóng)林大學人工智能研究中心主任。

論文鏈接：

https://doi.org/10.34133/plantphenomics.0125

——推薦閱讀——

Hyperspectral Remote Sensing for Phenotyping the Physiological Drought Response of Common and Tepary Bean

https://doi.org/10.34133/plantphenomics.0021

Plant Phenomics | 基于高光譜遙感的大豆和花菜豆生理干旱響應的表型研究

Monitoring Maize Lodging Grades via Unmanned Aerial Vehicle Multispectral Image

https://doi.org/10.34133/2019/5704154

Plant Phenomics | 基于無人機多光譜影像的玉米倒伏等級監(jiān)測

Plant Phenomics 回看 | 玉米倒伏光譜響應解析與災情遙感評估

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結(jié)合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2022影響因子為6.5，位于農(nóng)藝學、植物科學，遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。

中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。

特邀作者：翁海勇

審核：孔敏、王平