基于葉綠素熒光信號的高通量玉米圖像分割和提取評估植株干旱脅迫響應
Plant Phenomics | 基于葉綠素熒光圖像的高通量玉米圖像分割和性狀提取
玉米是人們生活中必不可少的作物，它產量高、用途廣，廣泛應用于食品、飼料及生物質能源的生產中。為了應對未來幾十年世界人口快速增長所帶來的物質需要，人類對玉米產量的需求正在不斷增加。目前，研究者們為了減輕氣候和環境條件變化對玉米產量的影響，已在識別、改良和培育玉米新品種上做出了許多努力。
形態變化是植物應對干旱脅迫所作出的復雜調控之一，并且已被廣泛研究。然而，由于缺乏對表型性狀尤其是莖葉水平性狀的高通量提取，使得從分子層面對玉米干旱脅迫響應的解讀明顯落后于植物生理學發展的整體趨勢。目前，大部分植物表型數據都是通過手動以及有破壞性的方式采集的，人工采集數據的通量低、費時費力、數據可靠性也不盡人意，且人工采集局限于特定的生育時期，無法反映干旱脅迫對全生育期內玉米植株的總體影響。
集成式高通量表型(HTP)分析設施的出現，使得連續、自動化、無損和多模態測量植物性狀成為了可能，并提高了表型數據的時空分辨率。在大多數高通量表型設施中，植株都生長在給定體積的盆內。在林業或園藝領域，在不影響種植效果的前提下縮小盆體積一直是研究的重點，但在表型相關研究中少有對盆栽大小對植株性能影響的研究。
近日，Plant Phenomics 在線發表了題為High-Throughput Corn Image Segmentation and Trait Extraction Using Chlorophyll Fluorescence Images的研究論文。
在該文中，作者基于一種基于RGB圖像的高通量植物表型分析系統，充分利用了葉綠素熒光信號對玉米植株進行了分割，還開發了能夠提取玉米莖葉性狀的圖像分析算法(Figure 3，4)，并進行了實證試驗(Figure 1)，以驗證提取到的性狀在評估玉米植株干旱脅迫響應中的效用。
實證試驗的數據記錄了玉米植株在不同的水處理或不同大小的盆中生長的表現。結果表明，基于植株熒光圖像的高通量分析是有效且可靠的(Figure 7)；此外，在環境受控設施中進行植物表型試驗時，使用統一大小的種植盆也十分重要。
Figure 1: Proof-of-concept experimental design.
Figure 3: Segmentation and skeletonization: the image analysis processes started with building the binary mask using the gray-scale chlorophyll fluorescence (CF) images; subsequently, the skeleton was created as a two-dimensional wireframe of the plant (image scale 1/4).
Figure 4: Canopy traits extraction: extraction based on the points of interest calculated in the skeleton.
Figure 7: Image-based vs. ground-truth measurements.
論文鏈接
https://spj.sciencemag.org/journals/plantphenomics/2021/9792582/
——推薦閱讀——
The Application of UAV-Based Hyperspectral Imaging to Estimate Crop Traits in Maize Inbred Lines
https://spj.sciencemag.org/journals/plantphenomics/2021/9890745/
Plant Phenomics | 無人機高光譜影像在玉米自交系作物性狀估算中的應用
High-Throughput Phenotyping of Dynamic Canopy Traits Associated with Stay-Green in Grain Sorghum
https://spj.sciencemag.org/journals/plantphenomics/2020/4635153/
Plant Phenomics | 高通量表型分析滯綠相關的高粱動態冠層性狀
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被CABI、CNKI、DOAJ、PMC、SCIE和Scopus數據庫收錄。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
編輯：張威（實習）、鞠笑、孔敏
審核：尹歡
