基于图像识别技术的金针菇表型高通量采集与分析

• 花匠小妙招
• 2024-12-17 11:21

High-throughput phenotyping collection and analysis of Flammulina filiformis based on image recognition technology

ZHU Yi-Hang ,1, ZHANG Xiao-Bin , ,1,*, SHEN Ying-Yue2, GU Qing1, JIN Qun-Li2, ZHENG Ke-Feng1

1. Institute of Digital Agriculture, Zhejiang Academy of Agricultural Sciences, Hangzhou, Zhejiang 310021, China

2. Institute of Horticulture, Zhejiang Academy of Agricultural Sciences, Hangzhou, Zhejiang 310021, China

金针菇Flammulina filiformis（英文名：enoki,gold mushroom）（Wang et al. 2018a）是世界各地广泛栽培的一类食用菌,在国内的产量和销量更是位居食用菌 种类前列（张金霞等 2015）。由于金针菇体型小,对营养物质不挑剔,但对生长环境的温湿度、光照和CO2浓度要求较高,因此最适宜的生产方式为工厂化栽培生产,在国内其工厂化栽培生产程度是食用菌类中最高的（牛耀星等 2020）。表型是指作物个体在一定环境下表现出的性状总和,是开展育种工作的基础信息（Zhang & Zhang 2018）。为了培育出适宜工厂化生产的金针菇品种,育种人员需要对不同潜在品种的金针菇子实体进行考种,采集其表型信息,评价不同品种的表型（刘骏等 2014）。考种工作需要通过取样、测量、观察等手段获取子实体的菌盖、菌褶和菌柄的详细参数,包括颜色、形状、长度和宽度等。这些工作涉及到逐个细致的检测与评估,往往耗费大量人力,且长时间的测量与观察工作容易导致操作人员疲劳,极大降低检测结果的准确性（Shi et al. 2020）。因此,表型信息采集与分析一直是金针菇育种的研究瓶颈（Wang et al. 2018b）。

图像识别一般是基于目标物的可见光图像,通过对颜色和纹理特征的增强、降噪和二值化等处理,提取其中感兴趣特征的技术手段（王彦翔等 2019）。高通量表型技术是通过图像识别、传感检测和一定的智能算法,快速获取大批量植株表型信息的一种技术方法（Andradesanchez 2014）,对准确寻找需求表型和加速新品种选育都有显著的提升作用,在现代农作物及园艺作物育种领域中是非常重要的热点研究方向（Araus & Cairns 2014;胡伟娟等 2019）。该技术除了可以快速获取大量植株的数量、分布、长度、面积等量化表型信息外,还可以通过颜色信息通道值的方法量化获取可见光、近红外和多光谱图像信息（Goggin et al. 2015）。目前,高通量表型技术主要是通过机器视觉辅以一定的图像识别技术来实现作物表型信息的高通量采集。此类技术已有报道应用于甜瓜果实颜色（Yoshioka & Fukino 2009）、麦单茎穗表型（丁启朔等 2020）、葡萄果实果序尺寸大小（Herzog et al. 2014）和梨果实尺寸（戴美松等 2016）等多个领域的表型信息采集分析中。此类研究主要目的是从背景中划分出目标特征的区域,或者从图像中标记出目标特征的坐标,从而实现高通量的表型信息采集（Minervini et al. 2015）。对于某些单机图像处理技术无法识别或识别准确度较差的性状特征,机器学习与深度学习模型是比较有效的识别方法（Kurtulmuş & Ünal 2015;Tsaftaris et al. 2016）。机器学习模型已应用于烟草叶片表型（Scharr 2016）、高粱株高监测（Hu et al. 2018）等研究中;深度学习模型已应用于小麦植株地上部表型（Pound et al. 2017）、玉米茎叶长势（Das et al. 2018）等研究中;此外,还有基于机器学习模型应用植株冠层3D建模检测植物水分胁迫的研究（Vincent et al. 2015）。总的来说,图像识别技术和机器学习模型在高通量表型研究领域是必要且具有潜力的。

然而,在金针菇育种及表型研究领域中,目前仅有部分基因工程育种方法应用到高通量筛选技术（李奇璋等 2017）,而表型信息的采集、分析以及新品种DUS（distinctness,uniformity and stability;特异性、一致性和稳定性）测试还主要依靠人工操作（徐珍等 2019）。因此,鉴于金针菇育种研究领域的诸多需求,机器视觉或传感检测等高通量表型技术将有较大的应用前景,与之匹配的智能算法也亟待深入研究。结合金针菇生长周期短、生长环境可控的优势,应用图像识别技术和人工智能算法进行金针菇高通量表型的研究,将有助于提高其考种育种工作的效率、可重复性与可靠性（Du et al. 2016）。

为此,本研究采用图像识别和深度学习等分析方法,结合金针菇考种和高通量表型信息采集的需求,提出一套金针菇表型图像采集分析方法,并通过试验方法确定最优参数,验证测量结果,以实现自动检测金针菇菌盖面积、近圆率、着生点、标准色距、菌柄长度和宽度等数据。在此基础上,应用图形用户界面开发一套相应的系统软件,探讨基于图像识别进行金针菇高通量表型量化分析的基本构架和技术方法。

1 材料与方法

1.1 金针菇品种

选择金针菇品种“黄金102”（源自浙江省农业科学院海宁杨渡基地）作为子实体图像扫描材料,根据育种人员观察选取其中3株颜色和形状最符合目标育种性状的子实体作为标准子实体材料。

1.2 图像获取

选取生长健壮、成熟、达到产品标准的金针菇菇丛,按相同标准从菇丛中部取5-10个子实体作为扫描样本。将子实体从菌褶和菌环间的菌盖着生点剪断,分为菌盖和菌柄两部分,平整展开并置于扫描仪（Canon,LiDE400）平板上,其中菌盖背面向下,用黑色背景布遮盖并压平,设置一定分辨率进行扫描,得到相应的图像。再将菌盖的背面向上,重复上述扫描操作得到相应的图像。

1.3 图像识别技术

1.3.1 图形识别：采用RGB多通道灰度处理和二值图可视分析算法提取黑色背景中的图形,以多边形坐标组的形式保存,并根据每个图形长宽比判断其是菌盖或菌柄,长宽比大于预设值的认定为菌柄,否则为菌盖。

1.3.2 菌盖面积与最小外切圆计算：对于菌盖图形,利用区域面积算法,结合图像分辨率和图像大小计算其覆盖的面积得到菌盖面积;利用外切圆函数遍历菌盖图形轮廓确定最小外切圆的圆心和半径,得到最小外切圆面积。

1.3.3 菌盖图形中心和着生点确定：采用图形重心算法根据菌盖图形轮廓确定菌盖图形中心;利用深度学习模型图像主体识别功能,通过50份已标记着生点的菌盖图形进行训练,形成判定模型,确定扫描图像中每个菌盖图形的着生点。

1.3.4 菌柄长度和宽度测量：由于大部分菌柄在扫描图像上都呈现为弯曲的线形结构,需要将菌柄图像分割成多个分段,分别提取图形轮廓拐点以测量长度,再进行加和求得总长;同时提取每个分段的外接矩形,测量其宽度,进而得到最小、最大和平均宽度。

1.3.5 颜色指标测定：利用RGB颜色通道值方法,计算菌盖图形颜色RGB各通道值的均值,作为计算菌盖标准色距的基础。

1.4 测量指标定义

1.4.1 菌盖面积：压平后扫描图像上菌盖图形所占有的面积（mm2）。

1.4.2 近圆率：近圆率=菌盖面积/菌盖最小外切圆面积×100%。

1.4.3 菌盖着生点：菌柄在菌盖上着生的位点（坐标）。

1.4.4 中轴率：中轴率=菌盖着生点到菌盖图形中心的距离（mm）。

1.4.5 菌柄长度：菌柄长度（mm）=菌柄图形分割后所有分段测量长度的总和。

1.4.6 菌柄最小宽度：菌柄图形分割后所有分段中的最小宽度（mm）。

1.4.7 菌柄最大宽度：菌柄图形分割后所有分段中的最大宽度（mm）。

1.4.8 菌柄平均宽度：菌柄图形分割后所有分段宽度的算数平均值（mm）。

1.4.9 标准色距：菌盖（菌柄）颜色与标准子实体菌盖（菌柄）颜色平均值的欧式距离,即：

（1）$ D=sqrt{left(r-r_{s}right)^{2}+left(g-g_{s}right)^{2}+left(b-b_{s}right)^{2}}$

其中D表示标准色距,r,g,b分别表示待测图形的颜色RGB通道均值,rs,gs,bs分别表示所有标准子实体图像对应颜色通道的平均值。每个通道均值都是一个8位二进制数（0至255）;对于菌柄图形,须计算所有分段的平均值作为菌柄整体的标准色距：

（2） $E=frac{1}{n} sum_{i=1}^{n} D_{i}$

其中E表示菌柄标准色距,Di表示每个分段矩形的标准色距（通过公式（1）计算）。

1.5 测量结果验证

1.5.1 子实体测量验证：从生长饱满的金针菇菇丛中随机选取7根大小、长度不一的子实体样本,进行人工测量,即：拉直菌柄,用游标卡尺（得力DL91150）测量其长度;在同一菌柄上均匀地取5个位置测量宽度,计算其算数平均值,记为平均宽度;将菌盖的菌褶面向上铺平,测量穿过菌盖着生点的最长内径,记为菌盖直径。以上测量对每个样本重复10次。

1.5.2 标定物面积测量验证：标定物即尺寸、形状整齐且已知,并与金针菇子实体部分相似的其他物体,可用于检测图像识别技术的准确性和精确性。采用5种已知尺寸的圆形硬币作为标定物（欧元1 cent：直径16.25mm,欧元10 cent：直径19.75mm,欧元50 cent：直径24.25mm,人民币1元：直径25.00mm,澳元2 dollars,直径20.62mm）代替金针菇菌盖进行图像扫描,通过图像识别测量直径、面积和近圆率,并采用游标卡尺实际测量直径,通过直径计算面积,重复10次,最后对图像测量结果与实际测量结果进行比较验证。

1.5.3 标定物长度测量验证：取长度、宽度已知且不同的软绳5条作为标定物代替金针菇菌柄,编号后在自然弯曲状态下依次放置于扫描设备上,进行图像扫描。利用图像识别方法进行长度和宽度测量,再分别将其拉直用游标卡尺测量其长度。然后分别对其进行不同数量的等分,并用游标卡尺测量不同分段的宽度。实际测量时每组重复10次,最后比较图像测量结果与实际测量结果进行验证。

1.5.4 误差计算与统计分析：实际测得结果与图像测得结果进行方差分析和TukeyHSD多重比较,并根据以下误差评估图像测量结果,均方根百分比误差（RMSPE）和平均绝对百分比误差（MAPE）：

（3）$ R M S P E=sqrt{frac{1}{n} sum_{i=1}^{n}left(frac{M_{i}-A_{i}}{A_{i}}right)^{2}}$

（4）$ M A P E=frac{1}{n} sum_{i=1}^{n}left|frac{M_{i}-A_{i}}{A_{i}}right|$

其中n表示验证样本数量,Mi表示图像测得结果,Ai表示实际测量结果。

所有试验结果采用R（version 3.6.1）语言进行统计计算分析。

2 结果与分析

2.1 菌柄图形分割数量

在上述基础上,将子实体菌柄图形分割份数设计5、7、9、11、13、15、19、23的梯度,对每个金针菇品种样品的菌柄图像进行测量试验,分别比较测量准确度和分割数量导致的测量误差。图像识别技术可以找出菌柄图形的每一分段（黄色矩形）,依次编号（红色数字）,识别分割点（红点）,并计算每一分段图形的长度（黄色实线）（图1）。随着分割数量的增加,菌柄图形被分割出的片段逐渐变小,由菌柄弯曲而导致的长度测量误差也相应减小,而每一分段的测量随机误差则有可能累积放大。

图1

图1  菌柄图形分割示意图

Fig. 1  Segmental examples of the Flammulina filiformis stipe graph.

对图形分割数量进行单因素协方差分析（P<0.05）,结果表明,当图形分割数量小于9或大于15时,其对长度和平均宽度测量值的影响显著,而分割数量为9、11、13、15时测量得到的长度和平均宽度无显著差异（图2A,2B）。从测量误差来看,当图形分割数量小于9或大于15时,长度和平均宽度的测量误差显著高于分割数量为9、11、13、15时的相应测量值,且长度测量误差显著低于平均宽度测量误差（图2C,2D）。

图2

图2  图形分割数量对长度和平均宽度测量值的影响

Fig. 2  Effects of segments on length and average width measurement.

当分割数量大于15时,测量长度显著大于其他分割数量时的值,测量平均宽度显著小于其他分割数量时的值,两者测量误差均显著增加。这表明图形中每一分段的测量误差会逐步积累,当分割数量大于15时其积累误差达到较高水平,影响测量结果。综合测量结果和测量误差,应选择11作为菌柄图形测量的最优分割数量,测得结果稳定性最佳。

2.2 图像扫描分辨率

在扫描获取图像时,扫描分辨率可选取50至1 200像素/英寸（dots per inch,dpi）。因此设计50、150、200、300、600、1 200dpi的分辨率梯度,分别进行扫描图像测量。单因素协方差分析结果表明,不同分辨率的扫描图像对同一菌柄（菌盖）图形的长度（直径）和平均宽度测量值没有显著影响（P<0.01）（图3）。此外,随着扫描分辨率的降低,扫描一张图片的耗时大幅下降,当分辨率≤200dpi时,扫描耗时已不随分辨率发生明显变化。因此实际扫描分辨率应根据图像扫描量和清晰度综合决定,一般应选择50dpi分辨率以加快扫描速度,提高处理效率,不建议超过200dpi。

图3

图3  分辨率对长度和平均宽度测量值的影响

Fig. 3  Effects of the resolution on length and average width measurement.

2.3 菌盖测量指标与标准色距

菌盖的着生点通过深度学习训练模型得到（图4A）,图中红色边界表示菌盖图形范围,红色圆点表示菌盖图形根据重心算法得到的中心点,蓝色圆点表示深度学习训练模型得到的菌盖着生点,蓝色圆形表示包围菌盖图形的最小外切圆。可以看到,图像识别得到的着生点位置与实际着生点位置基本重合。计算红色圆点和蓝色圆点的直线距离得到中轴距,可以定量评估菌盖着生点是否靠近菌盖中心;计算红色边界面积与蓝色圆形面积比值得到近圆率,可以定量评估菌盖形状是否接近圆形,利用图像识别方法获得的结果符合实际菌盖性状（图4B）。

图4

图4  菌盖测量指标及标准子实体菌盖 A：菌盖图像识别结果;B：菌盖指标测量结果;C：菌柄标准色距

Fig. 4  Measurement of the Flammulina filiformis caps and standard fruiting body cap. A: Recognition results of caps images; B: Measurement of caps; C: Standard color distance of stipes.

金针菇标准子实体菌盖颜色见图4A,呈中心金黄色,向外辐射状减淡至白色;菌柄颜色见图4C,根部呈金黄色,向上逐步减淡至白色。根据图像获得的R、G、B颜色通道值,计算每个图形的标准色距,值越小表示与标准子实体相应部位的颜色均值越接近,可以定量评估子实体的颜色性状与育种目标间的差距。从标准色距值来看,图像识别技术得到的结果符合人眼观察结果,同时能够实现量化分析（图4B、4C）。

2.4 测量结果验证

按照上述验证方法,开展图像测量指标验证试验,对试验材料分别进行人工实际测量和图像测量,所用材料及编号见图5,A为标定物扫描图像,B为子实体扫描图像。

图5

图5  测量验证试验所用材料及编号 A：金针菇子实体扫描图像;B：标定物扫描图像

Fig. 5  Materials and numbering used in the measurement verification tests. A: Fruiting body scanning image of Flammulina filiformis; B: Scanning image of calibration objects.

标定物测量结果表明,图像识别技术可以识别出扫描图像中的所有标定物。对于不同的图形,图像测量得到的直径、面积、长度、平均宽度与实际测量值（对照）无显著差异,其中直径、面积和长度的测量误差RMSPE和MAPE值均小于0.05,平均宽度的测量误差RMSPE和MAPE值也小于0.06（表1）,这表明标定物图像测量值与实际测量值的准确度相当。同时,这些误差与实际测量的直径、面积、近圆率、长度、平均宽度以及软绳的长宽比（长度和平均宽度实际量值的比值）等均无显著相关关系。多重比较的结果表明,与标定物的实际测量值相比,图像测量值能够达到相同水平的精确度。另外,所有硬币的近圆率测量值都在0.91至0.95之间。

表1  标定物图像测量与实际测量结果比较

Table 1  Comparison between image recognition and calipers measuring of calibration objects

材料
Materials实测值（对照）
Manual (Control)图像测量值
Image recognitionRMSPEMAPE实测值（对照）
Manual (Control)图像测量值
Image recognitionRMSPEMAPE硬币Coins直径Diameter (mm)面积Area (mm2)人民币1元25.01±0.11 A25.02±0.10 A0.000.00490.87±1.56 A502.56±3.78 A0.020.02欧元1 cent16.24±0.08 E16.28±0.10 E0.000.01207.39±2.86 E216.44±1.13 E0.050.05欧元10 cent19.72±0.09 D19.68±0.07 D0.010.00306.35±1.94 D313.56±1.01 D0.030.02欧元50 cent24.26±0.11 B24.23±0.07 B0.000.00461.86±1.55 B471.78±2.11 B0.020.02澳元2 dollars20.61±0.09 C20.34±0.10 C0.020.02333.94±1.96 C336.00±1.80 C0.010.01总体误差Error----0.010.01----0.030.03软绳Ropes长度Length (mm)平均宽度Average width (mm)#1112.20±2.41 D110.35±1.46 D0.020.024.25±0.13 C4.27±0.17 C0.040.03#272.74±1.86 E72.22±1.26 E0.020.014.05±0.12 C4.15±0.27 C0.070.06#3136.60±1.94 B135.96±1.59 B0.020.013.00±0.10 D2.97±0.23 D0.070.07#4115.91±2.07 C114.96±2.40 C0.020.025.25±0.21 B5.29±0.27 B0.050.04#5167.84±2.71 A165.49±3.26 A0.020.025.60±0.24 A5.62±0.20 A0.030.03总体误差Error----0.020.02----0.060.04

注：在同一指标实际值和测量值的两列中,相同字母代表差异不显著（P<0.01水平）,n=10

Note: In the two rows under the same term, same letter represents non-significant difference at P<0.01 level. n=10.

新窗口打开|下载CSV

子实体测量结果表明,图像识别技术可以识别出扫描图像中的所有物体,并按照物体的整体长宽比准确判断其为菌盖或菌柄图形。图像测量得到的菌柄长度、菌柄平均宽度、菌盖直径与实际测量值（对照）无显著差异,其中菌柄长度的测量误差RMSPE和MAPE值小于0.01,菌柄平均宽度和菌盖直径的测量误差RMSPE和MAPE值也都小于0.06（表2）,这表明子实体图像测量值与实际测量值的准确度相当。同时,所有测量结果的百分比误差与实际测量值（对照）之间无显著相关关系。多重比较结果表明,与实际测量值相比,图像测量值能够达到相同水平的精确度,其中菌柄平均宽度的图像测量值比实际测量值的精确度更高。

表2  金针菇子实体图像测量与实际测量结果比较

Table 2  Comparison between image recognition and calipers measuring of Flammulina filiformis fruiting bodies

项目
Item子实体编号
Numbering实测值（对照）
Manual (Control)图像测量值
Image recognitionRMSPEMAPE菌柄长度
Length (mm)#1117.02±1.61 E117.12±0.91 E0.010.01#2126.59±0.55 B126.50±0.05 B0.000.00#3122.12±1.38 C124.30±0.45 C0.020.02#4120.81±0.40 D120.31±0.35 D0.010.00#5110.57±1.77 F110.46±1.24 F0.010.01#6125.79±0.19 B126.57±0.19 B0.010.01#7127.58±0.52 A127.9±0.06 A0.000.00总体误差Error0.010.01菌柄平均宽度
Average width (mm)#13.80±0.31 A3.80±0.01 A0.000.00#22.75±0.07 C2.59±0.04 D0.060.06#33.53±0.14 AB3.49±0.11 B0.030.03#43.37±0.17 B3.38±0.06 B0.020.02#53.27±0.54 B3.10±0.03 C0.050.05#63.14±0.09 B2.99±0.01 C0.050.05#73.25±0.58 B3.26±0.02 B0.010.01总体误差Error0.030.03菌盖直径
Diameter (mm)#18.96±0.89 C8.80±0.02 C0.020.02#28.76±0.69 C8.10±0.27 C0.080.08#311.13±1.20 A11.06±0.05 A0.010.01#410.77±0.83 B10.60±0.68 B0.060.06#58.68±0.51 C9.17±0.01 C0.060.06#69.16±1.09 C8.66±0.26 C0.060.06#76.67±0.70 D7.18±0.12 D0.080.08总体误差Error0.050.05

注：在同一指标实际值和测量值的两列中,相同字母代表差异不显著（P<0.01水平）,n=10

Note: In the two rows under the same term, same letter represents non-significant difference at P<0.01 level. n=10.

新窗口打开|下载CSV

验证试验中采用不同直径的圆形硬币和已知长度的软绳作为标定物,其合理性在于：1）圆形硬币作为标定物的扫描图像非常接近标准的圆形,其近圆率理论上应接近1.00,因此可以检验图像识别技术的近圆率计算结果;2）圆形硬币的直径和扫描面积相比子实体菌盖的面积要更容易得到,因此适于检验图像测量面积的结果;3）软绳作为标定物存在微弱的弹性和柔韧性,与金针菇菌柄十分相似;但是,人工测量的软绳长宽精确度要高于菌柄的测量精确度,因此可以更好地检验长度和平均宽度测量结果。

2.5 金针菇图像采集分析系统

基于上述图像识别技术,采用图形用户界面（GUI）方式,基于.NET Framework 4.0框架和EmguCV 2.4.10图像库开发了“金针菇图像采集分析系统”软件（下载地址：http://www.livefarm.cn/mushroomhelper.rar）。该软件与图像扫描设备连接,可以实现金针菇子实体图像扫描和表型信息自动化、标准化采集,具体包括：金针菇子实体菌盖、菌柄图形分离、编号及可视化（图6A）;点击菌柄图形显示图形分割可视化示意图（图6B）;点击菌盖图形显示着生点、中心点和最小外切圆（图6C）;测量数据批量管理、导出与初步统计功能（图6D）。另外,图6中相应参数均已根据大量金针菇扫描图像做优化,一般不需要额外调整,但如果图像存在背景模糊或其他原因导致图形识别有误,可以通过调节灰度处理或二值处理改善图形识别区域（红色边界）。

图6

图6  金针菇图像采集分析系统基本功能与软件界面 A：主界面;B：菌柄分割示意;C：菌盖指标示意;D：数据管理界面

Fig. 6  Basic function and software interface of image collection and analysis system for Flammulina filiformis. A: The main interface; B: Illustration of stipe segmentation; C: Illustration of cap measurement; D: Results management interface.

3 讨论

随着高通量作物表型信息自动获取技术和平台的不断发展,服务于育种工作的表型信息准确度日益提高,获取手段逐步完善,数据形式也从平面图像拓展到高光谱影像和3D模型等（Ribes et al. 2020;Ziamtsov & Navlakha 2020）。金针菇作为高产销量、高经济价值的食用菌种类,其育种工作涉及大量人工重复操作,有必要应用高通量自动化手段提高育种效率。本研究基于图像识别技术开发自动测量系统,实现了金针菇子实体多种表型信息的采集,提高了表型信息的采集速度和精确度。与人工测量相比,该方法在效率和准确性上有明显提升,大幅降低人为工作量,减少疲劳、误操作等人工因素对测量结果造成的影响。同时,该方法还可以降低部分性状的测量误差,如菌柄会因为不规则弯曲导致人工测量时产生较大的随机误差,而图像识别技术可通过分割图形的手段准确测量长度,获得较为精确的结果。另外,采用图像颜色通道值计算的标准色距可以按照统一标准量化评价菌盖的颜色性状,降低人眼观察的随机性。

根据表型组学的定义,其研究要求获取的表型信息满足同一标准或规范,因此采用相对稳定、一致的手段采集表型信息非常必要（Li et al. 2014;翁杨等 2019）。然而,金针菇表型信息繁多,且表型组学研究鲜有报道（Hewitt et al. 2016）,因此研发一定的技术手段采集其表型信息对建立标准化金针菇表型信息数据集具有重要意义。本研究基于上述事实,开发了金针菇图像采集分析系统,实现了金针菇子实体长宽、形状、着生位置和颜色等性状的自动化、批量化、标准化采集。将部分描述型性状数字化,有利于金针菇表型信息的定量化分析和标准化表型数据集的建立,提升新品种DUS测试的工作效率和部分外观性状测量的精确度。

本研究所使用的平面图像扫描结合软件分析的方法具有良好的通用性和拓展能力。该方法通过扫描设备获取图像,测量结果对分辨率不敏感,可以较好地避免由对焦、曝光和距离等因素造成图像不一致的情况;常见扫描设备可以容纳3-4cm厚度扫描物,部分采用遮罩覆盖进行扫描,因此对菌盖较厚的蘑菇种类也适用。同时扫描设备可以输出固定分辨率的图像,免去了获取图像时配置标尺的工作。图像识别技术得到的近圆率、标准色距等指标,也提高了不同样品之间表型信息的可对比性。另外可通过以下方法获取菌盖厚度：剪下菌盖后,沿菌盖着生点两侧,避开着生点在菌盖上平行地切割两道,取中间部分横向置于扫描仪上获取图像,通过本文图像识别技术即可得到菌盖厚度。该方法可以减少人工测量造成的误差,但需要进一步破坏菌盖,增加一个扫描步骤。根据图像识别技术的原理,该方法还可应用于许多食用菌子实体的表型信息采集,例如长度和标准色距的计算方法可用于蛹虫草（虫草花）Cordyceps militaris等种类;对于毛豆、香葱等长宽比较大且存在自然弯曲的蔬菜作物,也可以在长度计算方法的基础上适当调整参数,测量果实或叶片长度等表型信息。对于刺芹侧耳（杏鲍菇）Pelurotus eryngii等子实体较大的蘑菇种类,应使用幅面更大的扫描仪,也可以采用相机搭配摄影箱的方式拍照获取子实体图像。拍照方式更为高效,但需要在拍照时配置相应的标尺（戴美松等 2016）。

与作物生长模型的研究不同,基于图像识别技术进行高通量表型信息采集与分析不依赖于底层模型的驱动,而是直接从实物中捕捉图像信息,并将其作为定量化分析的依据（Novelli et al. 2019）。因此,利用图像识别技术进行表型信息采集分析应当从农艺工作者的实际应用角度出发,建立与育种工作相匹配的表型信息分析方法,并根据实际需求不断地调整分析方法和设计参数。本研究也表明,高通量表型采集分析方法的关键在于交叉学科团队更为积极的协作和更为精细的设计,从而使新技术或新方法深度融合育种工作对表型信息的需求。

在使用本方法采集分析金针菇表型信息过程中,需注意以下关键点以保证测量准确度：1）剪断金针菇子实体菌盖和菌柄时,应尽量贴近菌盖,同时摆放菌盖时应使其完全展开,保证扫描时被完全压平,防止折叠情况;2）摆放菌盖和菌柄时,应避开扫描区域的边缘,物体间也不宜贴近,防止长度、面积等指标因邻接而产生测量误差。受制于平面图像识别技术的局限性,本方法需要多个扫描步骤以完成表型信息采集,因此未来可尝试应用三维扫描方式获取子实体3D模型,更高效地采集分析表型信息。

综上,本研究结果有助于金针菇育种工作减少人工测量操作,降低测量随机误差和系统误差,提高表型数据精确性和可靠性,统一表型判定标准;同时结合育种工作对表型信息的需求,为金针菇高通量表型量化分析和标准数据集的建立提供技术支持。

参考文献

[1]

Andradesanchez P, 2014.

Development and evaluation of a field-based high-throughput phenotyping platform

Functional Plant Biology, 41:68-79

[本文引用: 1]

[2]

Araus JL, Cairns JE, 2014.

Field high-throughput phenotyping: the new crop breeding frontier

Trends in Plant Science, 19(1):52-61

[本文引用: 1]

[3]

Dai MS, Zhang XB, Li XG, Wang YZ, Cai DY, Zhang SJ, Shi ZB, 2016.

Development of a size measurement system for pear fruit based on image processing technology

Acta Horticulturae Sinica, 43(4):763-770 (in Chinese)

[本文引用: 2]

[4]

Das CS, Bashyam S, Qiu Y, Samal A, Awada T, 2018.

Holistic and component plant phenotyping using temporal image sequence

Plant Methods, 14(1):35

[本文引用: 1]

[5]

Ding QS, Li HK, Sun KR, He RY, Wang XC, Liu FX, Li X, 2020.

High-throughput phenotyping of individual wheat stem and ear traits with machine vision

Scientia Agricultura Sinica, 53(1):42-54 (in Chinese)

[本文引用: 1]

[6]

Du H, Hu Q, Yang W, Pei F, Kimatu BM, Ma N, Fang Y, Cao C, Zhao L, 2016.

Development, physiochemical characterization and forming mechanism of Flammulina velutipes polysaccharide-based edible films

Carbohydrate Polymers, 152:214-221

[本文引用: 1]

[7]

Goggin FL, Lorence A, Topp CN, 2015.

Applying high-throughput phenotyping to plant-insect interactions: picturing more resistant crops

Current Opinion in Insect Science, 9:69-76

[本文引用: 1]

[8]

Herzog K, Roscher R, Wieland M, Kicherer A, Töpfer R, 2014.

Initial steps for high-throughput phenotyping in vineyards

Vitis Journal of Grapevine Research, 53(1):1-8

[本文引用: 1]

[9]

Hewitt SK, Foster DS, Dyer PS, Avery SV, 2016.

Phenotypic heterogeneity in fungi: importance and methodology

Fungal Biology Reviews, 30(4):176-184

[本文引用: 1]

[10]

Hu P, Chapman SC, Wang X, Potgieter A, Duan T, Jordan D, Guo Y, Zheng B, 2018.

Estimation of plant height using a high throughput phenotyping platform based on unmanned aerial vehicle and self-calibration: example for sorghum breeding

European Journal of Agronomy, 95:24-32

[本文引用: 1]

[11]

Hu WJ, Ling HQ, Fu XD, 2019.

Development and application of the plant phenomics analysis platform

Hereditas, 41(11):1060-1066 (in Chinese)

[本文引用: 1]

[12]

Kurtulmuş F, Ünal H, 2015.

Discriminating rapeseed varieties using computer vision and machine learning

Expert Systems with Applications, 42(4):1880-1891

[本文引用: 1]

[13]

Li L, Zhang Q, Huang D, 2014.

A review of imaging techniques for plant phenotyping

Sensors, 14(11):20078-20111

[本文引用: 1]

[14]

Li QZ, Du XY, Gao YH, Zheng YZ, Zhou XW, 2017.

The directed evolution of fungal immunomodulatory proteins and the establishment of high-throughput screening methods. The 7th National Congress of the Chinese Society of Mycology, Abstracts of the 2017 Academic Annual Conference

Tai’an. 144 (in Chinese)

[本文引用: 1]

[15]

Liu J, Chen XY, Wang WL, Gong ZQ, Shi XQ, Cui WJ, Song SS, Sun Q, Zhang GW, 2014.

Research status and industrial application of Flammuling velutipes

Food and Nutrition in China, 20(10):25-28 (in Chinese)

[本文引用: 1]

[16]

Minervini M, Scharr H, Tsaftaris SA, 2015.

Image analysis: the new bottleneck in plant phenotyping [applications corner]

IEEE Signal Processing Magazine, 32(4):126-131

[本文引用: 1]

[17]

Novelli F, Spiegel H, Sandén T, Vuolo F, 2019.

Assimilation of sentinel-2 leaf area index data into a physically-based crop growth model for yield estimation

Agronomy, 9(5):255

[本文引用: 1]

[18]

Niu YX, Wang T, Bi Y, Zhang Y, Liu H, Yuan JM, 2020.

Effect of shelf temperature on quality and shelf life prediction model of Flammulina velutipes

Food Science, 42(1):264-271 (in Chinese)

[本文引用: 1]

[19]

Pound MP, Atkinson JA, Townsend AJ, Wilson MH, Griffiths M, Jackson AS, Bulat A, Tzimiropoulos G, Wells DM, Murchie EH, Pridmore TP, French AP, 2017.

Deep machine learning provides state-of-the-art performance in image-based plant phenotyping

Gigascience, 6(10):1-10

[本文引用: 1]

[20]

Ribes M, Russias G, Tregoat D, Fournier A, 2020.

Towards low-cost hyperspectral single-pixel imaging for plant phenotyping

Sensors (Basel), 20(4):1132

[本文引用: 1]

[21]

Scharr H, 2016.

Leaf segmentation in plant phenotyping: a collation study

Machine Vision & Applications, 27(4):585-606

[本文引用: 1]

[22]

Shi C, Wu Y, Fang D, Ma N, Mariga AM, Hu Q, Yang W, 2020.

Nanocomposite packaging regulates extracellular ATP and programed cell death in edible mushroom (Flammulina velutipes)

Food Chemistry, 309:125702

[本文引用: 1]

[23]

Tsaftaris SA, Minervini M, Scharr H, 2016.

Machine learning for plant phenotyping needs image processing

Trends in Plant Science, 21(12):989-991

[本文引用: 1]

[24]

Vincent V, Jana K, Grégoire H, Uladzimir Z, Gupta SK, Tom HC, 2015.

LeasyScan: a novel concept combining 3D imaging and lysimetry for high-throughput phenotyping of traits controlling plant water budget

Journal of Experimental Botany, 66(18):5581-5593

[本文引用: 1]

[25]

Wang PM, Liu XB, Dai YC, Horak E, Steffen K, Yang ZL, 2018a.

Phylogeny and species delimitation of Flammulina: taxonomic status of winter mushroom in East Asia and a new European species identified using an integrated approach

Mycological Progress, 17(9):1013-1030

[本文引用: 1]

[26]

Wang Q, Zhang J, Li C, Wang B, Nong W, Bian Y, Xiao Y, 2018b.

Phenotypic and genetic diversity of the culinary-medicinal winter mushroom Flammulina velutipes (Agaricomycetes) in China

International Journal of Medicinal Mushrooms, 20(6):517-536

[本文引用: 1]

[27]

Wang YX, Zhang Y, Yang CY, Meng QL, Shang J, 2019.

Advances in new nondestructive detection and identification techniques of crop diseases based on deep learning

Acta Agriculturae Zhejiangensis, 31(4):669-676 (in Chinese)

[本文引用: 1]

[28]

Weng Y, Ceng R, Wu CM, Wang M, Wang XJ, Liu YJ, 2019.

A survey on deep-learning-based plant phenotype research in agriculture

Scientia Sinica Vitae, 49(6):698-716 (in Chinese)

[本文引用: 1]

[29]

Xu Z, Zhang LJ, Shang XD, Liu JY, Zhang D, Yang H, Yu HL, Zhang MY, Wang RJ, 2019.

Gradation and evaluation for Flammulina filiformis DUS testing traits

Mycosystema, 38(5):658-668 (in Chinese)

[本文引用: 1]

[30]

Yoshioka Y, Fukino N, 2009.

Image-based phenotyping: use of colour signature in evaluation of melon fruit colour

Euphytica, 171(3):409

[本文引用: 1]

[31]

Zhang JX, Chen Q, Huang CY, Gao W, Qu JB, 2015.

History, current situation and trend of edible mushroom industry development

Mycosystema, 34(4):524-540 (in Chinese)

[本文引用: 1]

[32]

Zhang Y, Zhang N, 2018.

Imaging technologies for plant high-throughput phenotyping: a review

Frontiers of Agricultural Science & Engineering, 5(4):406-419

[本文引用: 1]

[33]

Ziamtsov I, Navlakha S, 2020.

Plant 3D (P3D): a plant phenotyping toolkit for 3D point clouds

Bioinformatics, 220

[本文引用: 1]

相关知识

梨树植物表型观测分析系统研究与实现
基于深度学习的农作物病害图像识别技术进展
一种基于图像识别的茶园病虫害监测系统
植物病害表型成像诊断系统
基于454FLX高通量技术的菊花叶绿体全基因组测序研究
图像识别技术在蓝莓病虫害诊断中的应用研究
一种基于图像识别的植物健康检测方法及装置与流程
基于图像识别的花卉病虫害预警
基于图像识别的花卉监控嵌入式系统研制
基于图像识别的农作物病虫害人工智能分析

网址: 基于图像识别技术的金针菇表型高通量采集与分析 https://m.huajiangbk.com/newsview1144552.html

上一篇: 沈阳农业大学冯辉教授团队在大白菜

下一篇: 科学网—时空组学技术找到葱属植物