基于深度学习算法框架的作物表型信息获取

粮食安全是国家长治久安的重要基础,提升粮食品质和产品是确保粮食安全的重要途径。表型是研究“基因型-表型-环境”作用机制的重要桥梁,高通量的表型监测有助于辅助作物育种,加速整个环节和进程。激光雷达作为一种新兴的主动遥感技术,能够提供作物真实的三维坐标信息用于提取目标作物三维结构信息,近年来在植物表型领域取得了一系列进展。但是,当前的研究进展主要集中在群体水平,单株水平参数的提取还鲜有研究,其主要瓶颈是缺乏有效的单株分割算法。

传统的基于激光雷达数据的单个目标分离的算法主要有两类,即直接基于激光雷达点云数据的单木分割算法和基于点云生成的冠层高度模型的单木分割算法。这些方法主要针对森林乔木树种开发,难以直接应用于小型作物。在玉米等小型目标检测方面,如何实现特征提取和目标检测是当前一大难点。深度学习,作为一种机器学习的一个重要分支,在一维语义识别,二维图像检测,和三维视频分析等方面都取得了重大进展,其对于大数据和复杂场景的处理能力为大田玉米的单株检测带来了希望。

通过激光雷达完成田间的作物三维信息采集后,进行单株识别的主要思路如下:1)利用深度学习定位单株玉米的位置; 2)利用定位的种子点信息,采用基于几何的区域增长算法实现单株玉米分割;3)分割精度和提取的单株玉米株高精度验证。

在完成单株识别的基础上,进一步基于中值归一化矢量生长算法对单株水平的茎秆和叶片进行了分离,从而为进一步叶长,叶宽,叶夹角和叶片数的计算奠定了基础。

综上,激光雷达技术在精准农业监测、作物育种等领域有着重大的应用潜力,实现基于LiDAR的作物单株识别和茎叶分割将很大程度上解决目前表型监测面临的田间计算困难等难题。未来,激光雷达技术结合深度学习算法有望为表型研究提供更有力的数据支撑,成为作物表型研究的重要数据来源。

 

参考文献

Jin, S.; Su, Y.; Gao, S.; Wu, F.; Hu, T.; Liu, J.; Li, W.; Wang, D.; Chen, S.; Jiang, Y., et al. Deep learning: Individual maize segmentation from terrestrial lidar data using faster r-cnn and regional growth algorithms. Frontiers in Plant Science 2018, 9.

Jin, S., Su, Y., Wu, F., Pang, S., Gao, S., Hu, T., Liu, J., Guo, Q*. 2018. Stem-leaf segmentation and phenotypic trait extraction of individual maize using terrestrial LiDAR data. IEEE Transactions on Geoscience and Remote Sensing.