田间作物的空间形态结构和生育动态表型是作物育种和栽培管理研究和生产需要的重要性状。利用挂载多源传感器的田间轨道式表型平台可以获取高时序的玉米表型数据。其中，挂载工业相机获取的玉米群体顶视RGB图像数据，具有分辨率高的特点，但受光照影响大、不具有深度信息；利用激光雷达获取的3D点云数据可以得到玉米群体的三维空间分布信息，但分辨率低，不具有颜色信息。利用单一数据源解析的群体表型指标精度较低，尤其是玉米封垄后植株间存在大量的交叉遮挡时，更是难以分割定位到群体内植株和器官的数据。

2023年3月，Plant Phenomics 在线发表了北京市农林科学院信息技术研究中心、数字植物北京市重点实验室题为 Multi-Source Data Fusion Improves Time-Series Phenotype Accuracy in Maize under a Field High-Throughput Phenotyping Platform 的研究论文。

图1 田间上行轨道式作物高通量表型平台

针对上述问题，该文提出采用RGB图像和3D点云数据融合解析的方法以期提升田间玉米群体表型解析精度。首先利用玉米群体苗期的图像数据，通过图像分割进行植株定位；然后对平台获取的时序图像数据进行对齐，进而可以实现玉米群体各生育期植株在图像中的定位；进一步利用直接线性变换方法（DLT）对每个生育期的RGB图像和3D点云进行对齐，从而使得玉米群体3D点云可以利用图像早期的植株定位信息以及各时期图像和点云的对齐信息，实现群体内各植株点云的切割；结合课题组前期植株分割工作，可以实现各植株内茎秆和可见部分叶片的分割，进而实现了株高、叶倾角和叶方位角等表型指标的动态监测。

图2 方法流程示意图

图3 不同生育期玉米群体内植株和茎秆分割的结果可视化

利用该方法对13个玉米品种的全生育期表型数据进行解析，与实测数据对比，株高的R2可达0.98，而仅利用激光雷达点云数据（单源数据）解析的株高R2为0.93，表明多源数据融合可提升田间高通量表型平台下玉米时序表型解析精度。由于该方法在植株分割时根据植株定位信息切割，叶片部分点云会产生不完整的情况，故解析得到的叶长和叶面积精度较低；但由于保留了距离茎秆较近的叶片点云，所以叶倾角和叶方位角与实测数据相比具有较好的一致性。该研究为田间轨道式作物高通量表型平台数据解析提供了关键技术支撑。

图4 利用激光雷达点云数据（单源数据）和利用多源数据融合解析得到的表型指标对比

该研究由北京市农林科学院信息技术研究中心、数字植物北京市重点实验室完成。实验室博士研究生李英伦和温维亮副研究员为该文并列第一作者，郭新宇研究员为该文通讯作者。相关工作得到国家自然科学基金和北京市农林科学院作物表型组学协同创新中心资助。

论文链接：

https://spj.science.org/doi/10.34133/plantphenomics.0043

——推荐阅读——

Application of UAV Multisensor Data and Ensemble Approach for High-Throughput Estimation of Maize Phenotyping Traits

https://doi.org/10.34133/2022/9802585

Plant Phenomics | 基于无人机多传感器和集成学习的玉米表型高通量估算

Dynamic UAV Phenotyping for Rice Disease Resistance Analysis Based on Multisource Data

https://doi.org/10.34133/plantphenomics.0019

Plant Phenomics | 基于多源数据的水稻抗病性动态无人机表型分析

加入作者交流群