植物表型是现代植物研究中的重要的方向之一,主要是研究植物外在表型与遗传因子之间的关系等。通过对不同植物的外在表型研究植物与环境与遗传之间的关系是现代的植物研究、农业研究中的重要的方式之一。且,随着现代大数据分析技术、与图像分析技术的提升,让植物表型的研究的越来越高效便捷。因此,近年来植物表型研究在植物、生物、农业等研究领域大受欢迎。下面是托普云农整理的关于现代植物表型研究学习的的内容。

植物表型是指植物可测量的特征和性状,是植物受自身基因表达、环境影响相互作用的结果,也是决定农作物产量、品质和抗逆性等性状的重要因素。大多数植物表型信息可通过数字图像处理的方法获取和分析。

随着基因组学研究的快速发展,传统植物表型研究方法在诸多方面已无法满足进一步研究的需要,高精度、高通量的植物表型获取技术成为植物表型研究的新兴热点方向。近年来深度学习在数字图像处理领域取得了突破性进展,在物体识别、分割等应用上,基于深度学习的图像处理在技术表现上远好于传统方法。

在植物表型研究领域,如何使用深度学习技术研究植物表型已成为研究人员十分关注的一项研究问题。本综述从植物株型与生理参数获取、植物识别与杂草检测、病虫害检测以及产量预测四个方面,对近几年基于深度学习的植物表型检测方法进行概述,同时还分析了这些方法和传统机器学习方法的优劣,最后对基于深度学习的植物表型研究的未来趋势进行分析和展望。以下就是基于视觉三维重建的作物表型分析技术。

采用基于图像序列的三维重建技术对作物小麦进行三维重建,通过对比不同处理下的三维点云,选择合适的处理方式对同一品种的不同植株进行三维重建;最后通过获取的作物三维模型对其进行表型测量。结果表明,重建出的三维模型在一定程度上可以还原作物的真实结构,说明利用计算机视觉技术对作物进行表型测量是切实可行的,利用三维模型测量作物的表型对于育种是省时有效的。