Le système d'imagerie phénotypique des plantes au champ (fieldphenotypingimagingsystem) est un outil à haut débit pour l'acquisition, l'analyse et l'évaluation des caractéristiques phénotypiques des plantes, capable de fournir des données sur tous les aspects de la croissance, du développement, de l'état de santé et plus encore. Les systèmes d'imagerie phénotypique aident les chercheurs à effectuer une analyse phénotypique précise des plantes en recueillant de grandes quantités de données d'image, combinées à des techniques de vision par ordinateur et de traitement d'images.
Les méthodes d'extraction de données phénotypiques de plantes de champ comprennent généralement plusieurs étapes telles que l'acquisition d'images, le prétraitement des données, l'extraction de caractéristiques et l'analyse de données. Voici les méthodes d'extraction courantes dans les systèmes d'imagerie phénotypique des plantes au champ.
1. Acquisition d'images
Tout d'abord, un équipement d'imagerie dédié est utilisé pour obtenir des données d'image sur les plantes du champ. Ces dispositifs d'imagerie peuvent être:
Caméra à lumière visible: utilisée pour photographier les couleurs naturelles et la morphologie des plantes, couramment utilisée pour une analyse morphologique simple.
Caméra infrarouge: utilisée pour capturer les caractéristiques thermiques des plantes et aider à évaluer le Profil d'humidité des plantes, les maladies et les parasites, etc.
Imagerie proche infrarouge (NIR): utilisée pour obtenir des informations sur la teneur en humidité, les niveaux d'azote, etc. des feuilles de plantes.
Caméras multispectrales: évaluation de la santé des plantes, détection des maladies, etc. par des images spectrales à différentes longueurs d'onde.
Caméra hyperspectrale: fournit des informations spectrales plus précises qui peuvent identifier plus de caractéristiques physiologiques de la plante, telles que la composition chimique des feuilles, l'état de croissance de la plante, etc.
Scanner laser: utilisé pour obtenir des données structurelles en trois dimensions sur les plantes pour aider à l'analyse des caractéristiques spatiales telles que le volume, la forme et d'autres plantes.
2. Prétraitement des données
Les données d'image brutes acquises contiennent souvent des Parties bruitées, incomplètes ou incohérentes et nécessitent donc un prétraitement des données. Ces étapes aident à améliorer la précision des analyses ultérieures:
Traitement de débruitage: utilisez des filtres tels que le filtrage médian, le filtrage gaussien, etc. pour éliminer le bruit de l'image.
Amélioration de l'image: un traitement amélioré de l'image, tel que le réglage du contraste, le traitement de netteté, etc., rend les caractéristiques végétales de l'image plus remarquables.
Correction d'image: y compris la correction géométrique, la correction des couleurs, etc., pour s'assurer que les informations spatiales et colorimétriques de l'image sont exactes.
Segmentation de l'image: séparer les plantes de l'arrière - plan par des méthodes telles que le seuillage, la détection des bords ou le Deep Learning pour une extraction ultérieure des caractéristiques.
3. Extraction des caractéristiques
L'extraction de caractéristiques est une étape clé dans un système d'imagerie phénotypique dans le but d'extraire des images des caractéristiques liées à la croissance et à la santé des plantes. Ces caractéristiques comprennent, mais ne sont pas limitées à:
3.1 caractéristiques morphologiques des plantes
Hauteur de la plante: l'état de croissance de la plante est évalué en mesurant sa hauteur maximale à partir d'une image.
Surface foliaire: Calculez la surface foliaire totale de la plante, qui peut généralement être obtenue en divisant la zone foliaire.
Morphologie racinaire: la structure racinaire d’une plante est analysée à l’aide de techniques d’imagerie 3D ou de tomodensitométrie par rayons X.
Nombre de branches: la croissance des plantes est évaluée en analysant leur structure ramifiée.
Forme de la lame: analyse du rapport longueur / largeur de la lame, de la courbure des bords, de la douceur de la surface, etc.
3.2 Caractéristiques des couleurs
La couleur de la plante peut refléter son état de croissance, en particulier les niveaux de nutrition et d'humidité. Les caractéristiques de couleur couramment utilisées comprennent:
Teneur en chlorophylle: la teneur en chlorophylle des feuilles de la plante est extrapolée en calculant la luminosité des zones vertes, ce qui permet d'évaluer la capacité de photosynthèse de la plante.
Indice phytosanitaire: l’indice phytosanitaire (NDVI, normalized vegetation index) est calculé à l’aide d’images RGB de plantes pour juger de la santé des plantes.
Teneur en humidité: l'état d'humidité des plantes est estimé par la différence entre les images dans le proche infrarouge et la lumière visible.
3.3 caractéristiques structurelles tridimensionnelles
Volume et surface de la plante: Calculez la forme tridimensionnelle de la plante, évaluez sa structure spatiale et son état de croissance à l'aide de techniques d'imagerie 3D telles que les scanners laser ou la vision stéréoscopique.
Courbure et caractéristiques de surface de la lame: l'état de santé de la lame est évalué en extrayant les détails de surface de la lame à l'aide de données de balayage 3D.
3.4 dynamique de croissance
Taux de croissance: le taux de croissance de la plante, la croissance des branches et de la surface foliaire, etc., sont calculés à l'aide de données d'image à plusieurs moments dans le temps.
Gain de poids de la plante: l'état de croissance de la plante est évalué en combinaison avec des mesures externes telles que le poids de la plante pour vérifier et compléter les données d'image.
4. Analyse et modélisation des données
Les données caractéristiques extraites nécessitent une analyse approfondie par des méthodes d'analyse et de modélisation des données afin de tirer des conclusions biologiques précieuses.
Analyse statistique: analyse des effets de différents traitements sur la croissance des plantes par des méthodes statistiques de données (par exemple, analyse de régression, analyse de variance, etc.).
Machine Learning vs Deep Learning: classification, analyse de régression ou prédiction des caractéristiques phénotypiques des plantes à l'aide d'algorithmes d'apprentissage automatique tels que les machines à vecteurs de support, les forêts aléatoires, les réseaux neuronaux convolutifs, etc.
Analyse des associations phénotypiques: explorer les relations entre les gènes des plantes et les phénotypes grâce à l'analyse des associations avec l'information génétique, révélant les mécanismes de croissance des plantes.
5. Outils et logiciels d'extraction de phénotype couramment utilisés
OpenCV: une puissante bibliothèque de vision par ordinateur open source largement utilisée pour le prétraitement d'images, l'extraction de caractéristiques et l'analyse.
Imagej: un logiciel de traitement d'image open source, couramment utilisé pour l'analyse d'images biologiques, qui prend en charge plusieurs plugins.
MATLAB: fournit une puissante boîte à outils de traitement d'images et d'analyse de données pour le traitement et la modélisation des données phénotypiques des plantes.
Phenovator: un logiciel pour l'analyse phénotypique des plantes capable de traiter et d'analyser les données d'image des plantes dans les expériences de terrain.
Deeplabcut: un outil de suivi des mouvements basé sur le Deep Learning couramment utilisé pour l'analyse de la croissance et du Mouvement des plantes.
6. Résumé
La méthode d'extraction du système d'imagerie phénotypique des plantes au champ permet d'extraire de nombreuses caractéristiques telles que la morphologie, la couleur, la structure tridimensionnelle des plantes, en acquérant des données d'image et en combinant des techniques de traitement d'image et d'apprentissage automatique, fournissant ainsi un soutien important pour l'évaluation de l'état de croissance des plantes, la recherche génétique, la sélection, etc. À mesure que les technologies de traitement d'image et de capteurs continuent d'évoluer, la précision et le champ d'application des systèmes d'imagerie phénotypique continuent également de s'étendre.