杨树是一种分布广泛的速生林木，对木材生产和防护林建设具有重要意义。干旱胁迫是一种典型的非生物胁迫，是影响杨树生长和产量的主要因素之一。目前，高通量植物表型分析技术作为一种快速、无损地分析植物生长状态（如水分、养分含量）的工具已被广泛研究。结合计算机视觉和深度学习来获取表型信息，为植物干旱胁迫分析带来了新思路。然而，训练性能优异的深度学习模型需要大量带有人工标注的样本，其制备成本高、时间消耗大，限制了此类方法的运用的。

2024年7月， Plant Phenomics 在线发表了南京林业大学张慧春教授团队题为 Phenotyping of Drought-Stressed Poplar Saplings Using Exemplar-Based Data Generation and Leaf-Level Structural Analysis 的研究论文。

本文通过提出一种训练数据集扩增方法生成高质量、多样化的范例数据，依靠极少量的人工标注训练模型，为图像处理算法的开发、测试和优化提供了有力支持。选择了4个不同品种的杨树幼苗，采用了5种不同的灌溉频率进行培育。通过采集杨树植株RGB图像进行分析，开展了叶片姿态信息计算和干旱胁迫等级判定研究。

首先，通过深度学习实例分割算法来提取叶片、叶柄和中脉区域；提出了一种训练数据集扩增方法，标注极少量图像后将叶片、树干、背景进行重组合成新的、带有标签的合成图像，以降低深度学习模型训练所需的人工标注成本；计算叶柄和中脉的拟合线与水平方向的夹角，实现叶片姿态信息的数字化表征。其次，提出多任务学习模型，同时判定干旱胁迫等级和杨树品种，以减少杨树品种差异对干旱胁迫识别的干扰。

图1提出的杨树苗图像-标签自动合成方法

结果表明，提出的算法对叶柄和中脉的角度计算的平均绝对误差分别为10.7°和8.2°。干旱胁迫导致叶片萎蔫，在数字信息中表现为叶片的水平角度增大。此外，在胁迫等级评估任务中，使用原始RGB图像作为输入，多任务MobileNet实现了最高的准确率（杨树品种识别为99%，干旱胁迫等级分类为76%），优于广泛使用的单任务深度学习模型（预测数据集上的胁迫等级分类准确率<70%）。本研究提出的植物表型分析方法可进一步用于抗旱胁迫杨树植株筛选和精确灌溉决策。

图2基于卷积神经网络的杨树干旱胁迫检测模型

(A)单任务学习模型，(B)多任务学习模型

图3 杨树叶片生长姿态的可视化

(A)和(C)是对照组样本的分割结果和姿态信息，(B)和(D)是中度干旱胁迫组的分割结果和姿态信息。

南京林业大学机械电子工程学院周磊老师为第一作者，张慧春教授为通讯作者。张慧春教授团队从事林业信息技术与装备、林木表型感知技术与装备、光谱分析和图像处理的研究。该研究得到了国家重点研发计划、国家自然科学基金、江苏省农业科技自主创新基金项目、江苏省333高层次人才培养工程项目的支持。

论文链接：

‍https://doi.org/10.34133/plantphenomics.0205‍

——推荐阅读——

A Multi-Modal Open Object Detection Model for Tomato Leaf Diseases with Strong Generalization Performance Using PDC-VLD

https://doi.org/10.34133/plantphenomics.0220

Plant Phenomics | 中南林科大周国雄教授团队基于PDC-VLD的具有较强泛化性能的番茄叶病多模态开放目标检测模型

Improved Transformer for Time Series Senescence Root Recognition

https://doi.org/10.34133/plantphenomics.0159

Plant Phenomics | 河北农业大学基于改进Transformer的时间序列进行根系衰老识别

加入作者交流群