精准表型学对于植物育种以及理解环境对植物生长和产量的影响至关重要。随着世界人口的增长，农作物的产量提升和可持续生产已成为一个严峻的挑战。作物环境所面临的压力会对其生长、发育产生不利影响，对农作物生产构成了的重大威胁，因此早期检测和准确诊断是有效管理和预防的关键。最新的人工智能（Artificial Intelligence, AI）和成像传感器技术显示出了准确识别和预测植物压力症状的潜力。通过将AI算法与成像传感器结合使用，可以克服传统方法的局限性，如耗时、昂贵且容易受主观影响。这种整合使得能够快速和客观地分析植物图像，促进了植物压力症状的早期识别，甚至在肉眼可见症状出现之前。这种能力使农民能够迅速有效地应对，从而减少作物损失，提高农业生产力。

2024年3月，Plant Phenomics 在线发表了University College Dublin题为Advancements in Imaging Sensors and AI for Plant Stress Detection: A Systematic Literature Review 的综述文章。

成像传感器在早期压力识别中发挥着关键作用，因为它们可以快速、无损地捕捉植物表型特征的微小变化。在各种成像传感器中， RGB传感器已被广泛运用于植物表型研究中。这些传感器捕捉植物反射的可见光谱，提供红、绿和蓝光的信息。此外，光谱成像提供了更详细的关于生物和非生物压力引起的生化和生理变化的见解。通过在多个波长处捕获图像，RGB和光谱传感器可以识别植物组织中的变化，这些变化可能肉眼无法辨别。虽然AI和成像传感器取得了识别植物压力的进展，但仍然面临着诸多挑战，如波动的环境条件和不同的植物反应对准确诊断和分类应激或伤害症状构成困难。解决这些挑战将为基于AI的植物表型学的发展提供更多可能性，进而促进更可持续和有韧性的农业实践，满足全球不断增长的食品需求。

本文进行了一项系统文献综述（Systematic Literature Review, SLR），着重审查了植物成像和人工智能在识别压力反应方面的应用，采用了一系列特定关键词进行了广泛的检索，包括非生物性压力、生物性压力、机器学习、植物成像和深度学习等。与此同时，本文利用可编程机器人检索了自2006年以来发表的相关论文，并从4个主要数据库（Springer、ScienceDirect、PubMed和Web of Science）中收集了共计2,704篇论文。为了绕过搜索引擎的限制，本研究选择了OneSearch这一综合平台来统一检索关键词，在仔细审阅了262项研究后，总结出了AI算法和成像传感器的主要趋势。另外本研究还发现开源成像仓库的增加极大地推动了植物研究向深度学习的转变，这也需要大量的数据集来训练AI模型对压力症状进行解读。本文展示了目前在AI应用算法方面的最新趋势，以便开发出更加有效的植物压力检测方法。

图1 此系统文献综述（SLR）采用了三阶段搜索策略。第一阶段侧重于初始范围审查。第二阶段侧重于对结果研究的系统审查和收集。最后，第三阶段侧重于对主要研究群体的分析和审查。

论文链接：

https://spj.science.org/doi/10.34133/plantphenomics.0153‍

——推荐阅读——

Wearable Sensor: An Emerging Data Collection Tool for Plant Phenotyping

‍https://spj.science.org/doi/10.34133/plantphenomics.0051

Plant Phenomics | 南京农业大学陈发棣教授团队发表可穿戴传感器的最新研究综述Panicle-Cloud: An Open and AI-Powered Cloud Computing Platform for Quantifying Rice Panicles from Drone-Collected Imagery to Enable the Classification of Yield Production in Rice

https://spj.science.org/doi/10.34133/plantphenomics.0105

Plant Phenomics | Panicle-Cloud: 一种基于开放式人工智能的稻穗云计算平台