植物表型组学在现代农业中的应用

来源:用户上传      作者:

　　摘  要：植物表型组学的发展日新月异，主要是因为表型组学技术具有精度高、速度快、破坏性差等特点，广泛应用于现代农业生产中。文章根据近年来表型组学的发展现状，分析和概括了表型组学的概念和研究意义，对目前的植物表型组学的研究现状、具体的研究技术进行阐述，综述了在现代农业生产中植物表型组学的一些应用情况，主要分析了几种常用的表型技术在农作物生长加工环节中研究现状，并对植物表型组学的发展进行了展望。
　　关键词：表型组;植物表型组学;光谱成像技术;机器视觉;叶绿素荧光技术
　　中图分类号：S2        文献标志码：A         文章编号：2095-2945（2019）22-0169-04
　　Abstract： The development of plant phenomicsis rapid with each passing day， mainly because the phenotyping technology has the characteristics of high precision， high speed and poor destruction， and it is widely used in modern agricultural production. According to the present situation of the development of phenomicsin recent years， this paper analyzes and summarizes the concept and research significance of phenomics， and expounds the current research status and specific research techniques of plant phenomics. The application of plant phenomics to modern agriculture is analyzed and summarized， and the developing direction of this technology applied to the agricultural field is pointed out.
　　Keywords： phenome; plant phenomics; multi-spectral imaging; machine vision; chlorophyll fluorescence
　　引言
　　随着社会的发展进步，人们对农产品的品质要求也越来越高，对绿色健康的食物很是推崇，这就使得在农业生产的整个环节中都要对农作物进行精细的作业，从而保证粮食作物的高品质。那么怎么才能使农作物健康生长？那么从育苗开始需要有优良的品种的种苗，田间管理需要对作物的营养物质的缺乏情况进行检测，及时对作物进行正确的肥料作业。除了施肥作业外，对作物的病虫害和田间杂草的诊断与防治也非常关键和重要。这一系列的环节都要求人工完成的话，那么强度之大可想而知。而且很多的检测过程都是人为判断的，其测量的准确度过于依赖于检测者的主观，所以急需一种能够替代人工的对农作物进行以上检测的平台。植物表型组学的出现解决了这一问题，植物表型组学是研究某一植物在不同环境条件下的所有表型的技术[1]。植物的表型数据有其植物学的形态包括植株性状、叶片的性状、根系和穗型性状等，利用光学成像技术采集这些表型据，再结合自动化信息分析技术和图像分析的方法，从中得出与植物的生长状况和病虫草害的相关状况，表型检测平台的建立实现了对农作物进行高通量数字化的无损检测。
　　1 表型组学的研究意义
　　近年来随着全球人口的快速增长，城市化进程加快，以及人类对生物燃料的需求和气候变化等一系列问题，使得全球粮食安全受到极大挑战，耕地的减少导致的粮食产量下降，非生物胁迫以及病虫害发生导致的农作物减产等，而传统育种已经很难满足三大主要谷类作物（水稻、玉米和小麦）的增产需求[2]，表型组学在育种中的作用已得到普遍重视，通过研究表型组中的个体间表型差异，分析其是受环境的影响还是遗传变异的影响，从而有针多性的对农作物进行改良育种，使作物更适应当前的生态环境。植物表型组学提供了一种准确、快速、高通量和标准化的表型研究方法[3]，目前实时成像技术、光谱技术、图像分析系统、机器人表型分析等技术手段日渐成熟，借助现代计算机技术、统计学和生物信息学等学科相关技术，可以做到对农作物的整个生命周期实现性状都能做到实时捕捉监测。近年来表型组学也越来越多的应用于农业生产中。
　　2 植物表型组学在现代农业中的应用现状
　　植物表型组学研究按植物生长的环境可分为室内和室外，两种环境下研究植物表型各有优缺点。由于室内环境容易控制，可开展植物对水分的利用率，对各种营养物质的需求，不同光源对植物生长发育的影响以及植物对生物、非生物胁迫的反应等研究相对比较方便。而室外环境可以研究各种性状在自然环境下的特征，并且室外空间大更有利于高通量表型组学的研究，研究成果可以直接应用于生产实践。利用现代各种仪器通过植物表型的研究可以分析植物体内的物理和生化特征，如研究植物活力、根形态、叶的形态特性、光合效率、对非生物胁迫的响应等。目前在植物表型研究中自动化图片分析技术，如荧光成像、光谱成像、机器视觉系统等已经得到广泛应用，主要集中在农作物的病虫害监测，农产品品质检测，和自动采摘等领域[4]。
　　2.1 波谱成像技術在现代农业中的应用
　　 表型组学检测平台的核心技术是光学成像技术，对光的认识人们多是停留在光的反射，折射或是在医学领域的X光检测等光学手段，实际上绿色植物对于不同波段的光所表现的特性与其自身的植物学特性有着千丝万缕的联系。多光谱技术是发展较早的一种对农作物进行检测的光谱技术。冯雷等[5]利用多光谱成像技术对水稻叶瘟进行了分级检测。孙光明等[6]利用多高谱技术实时识别大麦赤霉病害，建立了大麦赤霉病的识别模型，检测效果良好，预测准确率达 93.9%。Dammer等[7]通过分析冬小麦的多光谱图像，成功得出冬小麦赤霉病的病害等级。杨甜军等[8]用多光谱成像技术设计了一套苹果品质检测装置，结合Labview技术实现对苹果品质的无损检测装置。近几年高光谱技术已然成为现代农业检测系统中广泛应用的检测手段之一。Bauriegel等[9]利用高光谱成像技术综合光谱分析和图像处理的方法对小麦赤霉病进行识别，取得了较好的识别效果。Mahlei等[10]利用高光谱成像方法分析了3种甜菜病害的光谱特性和不同时期不同位置的变化，通过光谱角度填图算法分别实现了每种甜菜病害的准确判别。薛龙等[11]在实验室条件下利用高光谱技术采用主成分分析方法成功检测出水果表面的农药残留。田有文等[12]利用高光谱成像技术对苹果虫害进行了快速、无损、自动检测的研究。红外热成像技术在工业和军事领域都广泛的应用，在农业中应用有：徐小龙等[13]以感染番茄花叶病的番茄叶片为材料，利用热红外成像仪连续检测受病害侵染，随着天数的增加，处于条锈病潜育期的小麦植株叶片的平均温度和最大温差与健康小麦植株叶片的差异逐渐增大。 　　2.2 机器视觉在现代农业中的应用
　　用机器模拟人的视觉，首先需要具备与人眼睛有相同功能的设备，它可以感知物体的颜色、方位等特征，这一部分通过一些敏感传感器是完全可以实现的。神经系统可以用图像处理系统实现，而计算机的信息和分析能力可以看做是人的大脑中枢，用来根据传感器和图像处理的结果做出准确判断，采取正确的动作。这样就组成了机器视觉系统。机器视觉的应用促进了农业生产的自动化，提高了现代化水平。就目前的研究应用主要有：李江波等[16]运用计算机视觉技术和神经网络算法对香菇进行自动检测与分级。王松磊等[17]利用工业相机与STM32 嵌入式系统配合正面及背面光源进行枣多表面图像采集，并采用气动式分级执行机构完成枣果分级。黄星奕等[18]采用机器视觉和近红外光谱技术相结合的技术，拍摄杏干4个不同位置的彩色图像，用基于区域骨架化的填充法和多元线性回归进行图像处理和建模，实现对杏干内外品质的综合检测，结果表明，杏干质量分级的准确率为90%，缺陷检测的准确率为84.5%。机器视觉技术可对作物病害进行诊断、杂草进行识别，是一种快捷、低廉和无损检测的检测技术。高雄等[19]提出一种基于机器视觉的以颜色特征为基础，利用几何阈值选取和RGB空间特征的变换的方法来实现病虫害的自动识别的方法，试验表明，识别虫害区域和提取目标作物的准确率达88.33%。尹建军等[20]用摄像机弱透视模型，对室内土槽的有序杂草和无序杂草进行定位试验，有序的杂草和无序的杂草的质心定位误差为1912mm和2218mm，可以满足除草剂精确喷施的要求。韩瑞珍等[21]设计了一套大田害虫远程自动识别系统，该系统通过3G无线网络将害虫照片传输到主控平台中，系统首先对害虫图像进行基于形态和颜色特征值的提取，然后建立支持向量机分类器，该系统对6种常见大田害虫进行了测试，平均准确率达87.4%，实现了大田害虫的快速实时识别和诊断。Arman Arefi等[22]就基于机器视觉的成熟番茄果实的检测和定位进行一系列研究，引入HIS和YIQ模型综合分析，静态图像处理试验表明，图像处理的速度以及对光强的适应性都有使用价值，但是动态性能还有待进一步研究。张凯良等[23]以地垄栽培模式下的草莓为作业对象，针对草莓果实娇嫩易损的特点，采用直接撷取果柄的采摘方案，提出了一种图像处理与激光辅助测距相结合的草莓采摘位置自动定位方法，对自然环境下生长的长圆锥型草莓进行了试验，结果表明，对于机器人锁定采摘位置所需的导航数据，该方法的平均计算时间为381ms，测距最大误差为1.6mm，平均误差为0.5mm。王辉等[24]设计了苹果作业机器人识别与定位系统，提出了基于苹果颜色、形状和位置特征的识别与定位方法，结果表明：当工作距离为240cm时，双目视觉系统可以准确识别并定位所有苹果，深度方向标准差为4.9cm;当工作距离为150cm时，双目视觉系统深度方向标准差为2.4cm;当工作距离小于100cm时，单目视觉传感器测量目标到传感器距离的标准偏差为1.0cm。
　　2.3 叶绿素荧光技术在现代农业中的应用
　　叶绿素荧光成像技术是利用绿色植物受光激发的特性。荧光成像技术越来越广泛的应用在现代农业生产中。利用叶绿素荧光技术可以对植物的生长情况进行鉴别。Cadet等[25]利用叶绿素荧光成像技术，通过对向日葵叶片的荧光光谱图像的分析处理，得出了向日葵叶片的氮、磷、钾的缺乏情况。叶绿素荧光技术同样适用于植物病害的检测。Pereira等[26]采用波长473nm的激光激发柑橘叶片，对柑橘叶片的黄龙病荧光光谱进行分析，得出叶绿素荧光技术可以作为检测柑橘黄龙病害的一种方法的结论。杨昊谕等[27]采用荧光技术对黄瓜病害进行检测，结果表明，该方法对黄瓜霜霉病和蚜虫病的鉴别准确率达到98.3%。叶绿素荧光技术也适用于农产品品质无损检测。Cerovic等[28]分别用传感器中的3种LED灯对葡萄的成熟度进行了检测。喻晓强等[29]通过对柑橘荧光图像数据分析，基于线性回归法建立了柑橘糖度预测模型，其相关系数达到0.96以上。李江波等[30]采用波长365nm的紫外灯激发脐橙荧光，在450-700nm波段范围内，采用最佳指数理论法，对脐橙腐烂程度进行检测，正确率达100%。叶绿素荧光技术也可以用来检测土壤水分含量。张石锐[31]等通过对盆栽水稻荧光光谱的研究，通过测量盆中土壤含水量找到了其含水量与作物荧光光谱之间的联系。
　　3 结束语
　　植物表型组学在现代农业中的研究应用以及其发展的历程并不算长，目前的表型组学研究多是在室内环境或是小范围环境中对植物的一些表型性状的研究，未来植物表型组学要更好的服务于农业生产，就必须要適应大田监测环境，在复杂环境中提高其监测的精确度和可靠性，适应现代农业生产的作业环境，这是表型组学一个必然的发展趋势，其发展前景广阔。光学领域、计算机技术以及植物科学领域都是表型组学发展所必须的关联技术，发展相关平台技术的快速发展是促进表型技术发展的基础。各个平台的物资资源包括人才资源都要交叉利用，以便使彼此都能得到提升，这就需要整合相关领域的资源，建立更高效的研究平台，多多交流沟通合作研发相关项目。植物表型组学是必将成为现代农业中重要的科研平台。
　　参考文献：
　　[1]Tester M， Langridge P. Breeding technologies to increase crop production in a changing world [J]. Science，2010，327（5967）：818-822.
　　[2]Andrade-Sanchez P， Gore M A， Heun J T，et al. Development and evaluation of a field-based high-throughput phenotypingplatform [J]. Functional Plant Biology， 2013，41（1）：68-79. 　　[3]White J W， Andrade-Sanchez P， Gore M A， et al. Field-based phenomics for plant genetics research [J]. Field Crops Research，2012，133：101-112.
　　[4]Kipp S， Mistele B， Baresel P， et al. High-throughput phenotyping early plant vigour of winter wheat [J]. European Journal of  Agronomy， 2014，52：271-278.
　　[5]冯雷，柴荣耀，孙光明，等.基于多光谱成像技术的水稻叶瘟检测分级方法研究[J].光谱学与光谱分析，2009，29（10）：2730-2733.
　　[6]孙光明，杨凯盛，张传清，等.基于多光谱成像技术的大麦赤霉病识别[J].农业工程学报，2009，25（增刊2）：204-207.
　　[7]Dammer K H，Mller B，Rodemann B，et al.Detection of head blight（Fusarium ssp.） in winter wheat by color and multispectral image analyses[J].Crop Protection，2011，30（4）：420-428.
　　[8]杨甜军，张箭，朱哲，等.基于LabVIEW和多光谱成像技术的苹果品质无损检测装置[J].湖北农业科学，2014，53（19）：4720-4722.
　　[9]Bauriegel E，Giebel A，Geyer M，et al.Early detection of Fusarium infection in wheat using hyper-spectral imaging[J].Computers and Electronics in Agriculture，2011，75（2）：304-312.
　　[10]Mahlein A K，Steiner U，Hillnhutter C，et al. Hyperspectral imaging for small-scale analysis of symptoms caused by different sugar beet diseases[J].Plant Methods，2012，8（1）：1-13.
　　[11]薛龙，黎静，刘木华，等.基于高光谱图像技术的水果表面农药残留检测试验研究[J].光学学报，2008，28（12）：2277-2280.
　　[12]田有文，程怡，王小奇，等.基于高光谱成像的苹果虫害检测特征向量的选取[J].农业工程学报，2014，30（12）：132-139.
　　[13]徐小龙，蒋焕煜，杭月兰.热红外成像用于番茄花叶病早期检测的研究[J].农业工程学报，2012，28（5）：145-149.
　　[14]李小龙，王库，马占鸿，等.基于热红外成像技术的小麦病害早期检测[J].农业工程学报，2014，30（18）：183-189.
　　[15]王冰，崔日鲜，王月福.基于远红外成像技术的花生苗期抗旱性鉴定[J].中国油料作物学报，2011，33（6）：632-636.
　　[16]李江波，王靖宇，苏忆楠，等.鲜香菇外部品质计算机视觉检测与分级研究[J].农产品加工·学刊，2010，10：4-7.
　　[17]王松磊，刘民法，何建国，等.红枣自动快速无损检测分级机研究[J].农业机械学报，2014，45（9）：79-83.
　　[18]黄星奕，钱媚，徐富斌.基于机器视觉和近红外光谱技术的杏干品质无损检测[J].农业工程学报，2012，28（7）：260-265.
　　[19]高雄，王海超.甘蓝菜青虫害自动识别系统的开发与试验研究-基于机器视觉[J].农机化研究，2015，01：205-208.
　　[20]尹建军，沈宝国，陈树人.基于机器视觉的田间杂草定位技术[J].农业机械学报，2010，41（6）：163-166.
　　[21]韩瑞珍，何勇.基于计算机视觉的大田害虫远程自动识别系统[J].农业机械学报，2013，29（3）：156-162.
　　[22]Arman Arefi，Asad Modarres Motlagh，Kaveh Mollazade，et al.Recognition and localization of ripen tomato based  onmachine vision[J]. Australian Journal of Crop Science，2011，5（10）：1144-1149.
　　[23]张凯良，杨丽，张铁中.草莓采摘位置机器视觉与激光辅助定位方法[J].农业机械学报，2010，41（4）：151-156.
　　[24]王辉，毛文华，等.基于视觉组合的苹果作业机器人识别与定位[J].农业机械学报，2012，43（12）：165-170.
　　[25]Cadet ，Samson G.Detection and discrimination of nutrient deficiencies in sunflower by blue-green and  chlorophyll-afluorescence imaging[J].Journal of Plant Nutrition，2011，34（14）：2114-2126.
　　[26]Pereira F，Milori D，Pereira E R，et al.Laser-induced fluorescence imaging method to monitor citrus greening disease[J].Computers and Electronics in Agriculture，2011，79（1）：90-93.
　　[27]杨昊谕，于海业，张蕾，等.基于激光诱导荧光光谱分析的黄瓜叶片叶绿素含量检测[J].农业机械学报，2009，40（10）：169-172.
　　[28]Cerovic Z G，Moise N，Agati G，et al. New portable optical sensors for the assessment of winegrape phenolic maturity based on berry fluorescence[J].Journal of Food Composition and Analysiswine： Nutrients，Bioactive Non-Nutrients and More，2008，21（8）：650-654.
　　[29]喻晓强，刘木华，郭恩有，等.基于荧光高光谱图像的柑桔糖度无损检测[J].安徽農业科学，2007，35（36）：11807-11808.
　　[30]李江波，王福杰，应义斌，等.高光谱荧光成像技术在识别早期腐烂脐橙中的应用研究[J].光谱学与光谱分析，2012，32（1）：142-146.
　　[31]张石锐，董大明，郑文刚，等.农田土壤水分含量的激光诱导荧光光谱表征[J].光谱学与光谱分析，2012，32（10）：2623-2627.
转载注明来源:https://www.xzbu.com/1/view-14983528.htm