WIWAM高通量植物表型平臺—作物高光譜功能分析

更新時間：2022-05-25　點擊量：1750

WIWAM高通量植物表型成像系統(tǒng)由比利時SMO公司與Ghent大學VIB研究所研制生產(chǎn)，整合了LED植物智能培養(yǎng)、自動化控制系統(tǒng)、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、自動條碼識別管理、RGB真彩3D成像等多項*技術，以較優(yōu)化的方式實現(xiàn)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(jié)構(gòu)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、植物生長分析測量、生態(tài)毒理學研究、性狀識別及植物生理生態(tài)分析研究等。

室內(nèi)植物表型成像系統(tǒng)WIWAM Line

基于SVM算法和超色調(diào)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重要的作用，然而，這一主題并沒有得到足夠的重視?，F(xiàn)有的圖像分割方法依賴于數(shù)據(jù)類型、植物和背景，可能沒有利用高光譜數(shù)據(jù)的能力。本文提出了一種單類支持向量機分類器，結(jié)合超色調(diào)預處理方法對高光譜圖像中的綠色植物像素進行分割。實驗結(jié)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(diào)的貢獻，應用了另一個使用類似訓練過程而忽略步驟4的模型，在本文中被命名為REF。首先，使用驗證數(shù)據(jù)對模型進行驗證，誤差列于表 1，其中 FP、FN 和 MIS 分別代表假陽性率、假陰性率和誤分類率。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(diào)與飽和度和強度無關，因此受局部表面角度偏差和植物自身陰影不穩(wěn)定照明的影響較小。此外，超色調(diào)可以增加類間距離。接下來，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行了測試。對于每個物種，隨機選擇獨立于訓練和驗證數(shù)據(jù)的高光譜圖像進行測試。首先使用Photoshop軟件對圖像進行手動分割，然后與自動分割進行比較。在 VNIR 數(shù)據(jù)中，比較了幾個廣為接受的植被指數(shù)，包括 NDVI、GNDVI、EVI等，發(fā)現(xiàn)使用閾值為0.3的 EVI 的方法可以提供最佳分割。在VNIR數(shù)據(jù)中測試了EVI、REF和HH方法的性能，而在SWIR數(shù)據(jù)中僅測試了REF和HH方法的性能。誤分類率繪制在圖1和圖2中，它們表明HH方法顯著減少了誤差。圖3顯示了REF和HH方法在SWIR數(shù)據(jù)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(shù)據(jù)中的錯誤分類率

圖2.SWIR 測試數(shù)據(jù)中的錯誤分類率

在測試數(shù)據(jù)中，錯誤率高于驗證數(shù)據(jù)。有幾個因素可能導致測試數(shù)據(jù)的錯誤率較高。首先，在人工分割中，葉子邊緣的像素被分類為前景，而在自動分類中，這些像素可以被分類為背景，因為這些像素的光譜特征是背景和植物的混合。其次，手動分割可能會有錯誤，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一步處理，以分析植物中的營養(yǎng)分布，包括氮、磷等。分割的精度可以滿足這一要求。使用較大的訓練數(shù)據(jù)來訓練更復雜的模型，如人工神經(jīng)網(wǎng)絡（ANN）或深度ANN，將獲得相同或更好的結(jié)果，但是，當考慮到勞動力和數(shù)據(jù)收集成本時，最好使用較小的數(shù)據(jù)集來訓練具有可接受精度的模型。