植物結(jié)構(gòu)如株高、葉片或分支角度、葉片大小以及節(jié)間長度等,影響著對(duì)光的截留,從而影響植物光合作用與生產(chǎn)力。植物結(jié)構(gòu)的變化可以反映植物面臨的脅迫情況,例如節(jié)間長度的變化與干旱、鹽脅迫有關(guān)。簡單的表型性狀可以從2D圖像中測(cè)量,但節(jié)間長度、分支角度等復(fù)雜性狀則需要使用3D數(shù)據(jù)。
本研究以黃瓜為例(含彎曲株和直立株),基于激光三角測(cè)量,使用Phenospex PlantEye F500采集了10天的3D數(shù)據(jù),該多光譜3D掃描儀還為點(diǎn)云中的每個(gè)點(diǎn)提供了光譜信息。同時(shí),每天多次采集2D圖像,獲得一個(gè)包含9990張圖像的數(shù)據(jù)集。基于YOLO-v3深度學(xué)習(xí)對(duì)象檢測(cè)算法在單個(gè)2D圖像中檢測(cè)節(jié)點(diǎn),使用親和力傳播聚類算法對(duì)同一節(jié)點(diǎn)的多次檢測(cè)進(jìn)行合并,獲得每個(gè)節(jié)點(diǎn)只出現(xiàn)一次的節(jié)點(diǎn)位置列表并按照在莖上的位置進(jìn)行排序以估計(jì)2D節(jié)間長度(節(jié)間長度為兩個(gè)連續(xù)節(jié)點(diǎn)之間的歐氏距離)。從3D點(diǎn)云估計(jì)節(jié)間長度的方法分為三個(gè)步驟:(1)基于深度神經(jīng)網(wǎng)絡(luò) PointNet++將 3D 點(diǎn)云分割成植物部分;(2)從分割的點(diǎn)云中檢測(cè)節(jié)點(diǎn),使用HDBSCAN聚類算法對(duì)節(jié)點(diǎn)進(jìn)行聚類;(3)節(jié)間長度估計(jì)。結(jié)果顯示,使用3D點(diǎn)云代替2D圖像,可以以與直立植株相同的精度來估計(jì)彎曲植株的節(jié)間長度;從3D點(diǎn)云估計(jì)的節(jié)間長度誤差小于從2D圖像估計(jì)的節(jié)間長度誤差,使用3D 點(diǎn)云估計(jì)節(jié)間長度的精度更高。但基于2D圖像的節(jié)點(diǎn)檢出率更高,因此建議綜合利用2D圖像和3D點(diǎn)云的優(yōu)勢(shì)??傊?,本研究證實(shí)了基于3D點(diǎn)云與計(jì)算機(jī)視覺技術(shù)結(jié)合進(jìn)行植物結(jié)構(gòu)尤其是節(jié)間長度測(cè)量的可行性。
圖1 黃瓜植株三個(gè)節(jié)點(diǎn)示意圖,含兩個(gè)節(jié)間。
圖2 實(shí)驗(yàn)裝置示意圖。植株生長在2個(gè)植物水槽( A、B)上,每個(gè)水槽含6株植物( 1 ~ 6株)。將彎曲植株A2、A3和B5分別稱為離群植株4、5和8。六個(gè)視點(diǎn)(Ⅰ-Ⅵ)在圖的右上角部分放大顯示。
圖5 數(shù)據(jù)獲取的第一天(左)和最后一天(右)人工標(biāo)注點(diǎn)云的實(shí)例。圖中顏色代表圖例中指定的類別,黑色方塊表示點(diǎn)云的放大部分。
圖9 人工測(cè)量的節(jié)點(diǎn)間長度(x軸)與估計(jì)的節(jié)點(diǎn)間長度(y軸)擬合圖。左圖為基于2D的結(jié)果,右圖為基于3D點(diǎn)云的結(jié)果。直立植株的節(jié)點(diǎn)用藍(lán)色圓圈表示,彎曲植株的節(jié)點(diǎn)用紅色三角形表示。虛線表示函數(shù)x = y,表示估計(jì)的節(jié)點(diǎn)間長度等于人工測(cè)量值的位置。
圖10 基于2D和3D數(shù)據(jù)預(yù)測(cè)直立和彎曲植株節(jié)間長度的絕對(duì)誤差( mm )??虮硎鞠滤姆治粩?shù)和上四分位數(shù),須表示1.5倍四分位數(shù)間距內(nèi)的最高和最低絕對(duì)誤差。超出此范圍的值被認(rèn)為是異常值,并顯示為“+”。顯著性水平 “n.s. ”表示沒有觀察到顯著性差異, “***”表示在p < 0.001的情況下觀察到顯著性差異。
文獻(xiàn)來源:Frans P B, Eldert J, Gert K. The added value of 3D point clouds for digital plant phenotyping –A case study on internode length measurements in cucumber. Biosystems Engineering, 2023, 234:1-12.