WIWAM高通量植物表型平台—作物高光谱功能分析

更新时间：2022-05-25　点击量： 979

WIWAM高通量植物表型成像系统由比利时SMO公司与Ghent大学VIB研究所研制生产，整合了LED植物智能培养、自动化控制系统、叶绿素荧光成像测量分析、植物热成像分析、植物近红外成像分析、植物高光谱分析、植物多光谱分析、植物CT断层扫描分析、自动条码识别管理、RGB真彩3D成像等多项*技术，以较优化的方式实现大量植物样品——从拟南芥、玉米到各种其它植物的生理生态与形态结构成像分析，用于高通量植物表型成像分析测量、植物胁迫响应成像分析测量、植物生长分析测量、生态毒理学研究、性状识别及植物生理生态分析研究等。

室内植物表型成像系统WIWAM Line

基于SVM算法和超色调的高光谱图像中的绿色植物分割

绿色植物分割在基于高光谱的植物表型分析中起着重要的作用，然而，这一主题并没有得到足够的重视。现有的图像分割方法依赖于数据类型、植物和背景，可能没有利用高光谱数据的能力。本文提出了一种单类支持向量机分类器，结合超色调预处理方法对高光谱图像中的绿色植物像素进行分割。实验结果表明，该方法能够以较小的误差从背景中分割出绿色植物，因此可以作为基于高光谱的绿色植物分割的通用方法。

为了评估步骤4中超色调的贡献，应用了另一个使用类似训练过程而忽略步骤4的模型，在本文中被命名为REF。首先，使用验证数据对模型进行验证，误差列于表 1，其中 FP、FN 和 MIS 分别代表假阳性率、假阴性率和误分类率。表 1 表明，与 REF 方法相比，HH 方法可以将误差降低到较低阶的水平。超色调与饱和度和强度无关，因此受局部表面角度偏差和植物自身阴影不稳定照明的影响较小。此外，超色调可以增加类间距离。接下来，使用小麦、大麦、棉花、箭叶三叶草和澳大利亚金丝雀草的高光谱图像对模型进行了测试。对于每个物种，随机选择独立于训练和验证数据的高光谱图像进行测试。首先使用Photoshop软件对图像进行手动分割，然后与自动分割进行比较。在 VNIR 数据中，比较了几个广为接受的植被指数，包括 NDVI、GNDVI、EVI等，发现使用阈值为0.3的 EVI 的方法可以提供最佳分割。在VNIR数据中测试了EVI、REF和HH方法的性能，而在SWIR数据中仅测试了REF和HH方法的性能。误分类率绘制在图1和图2中，它们表明HH方法显著减少了误差。图3显示了REF和HH方法在SWIR数据中分割大麦的测试图像。

表1.SVM 模型验证的误差率

图1.VNIR 测试数据中的错误分类率

图2.SWIR 测试数据中的错误分类率

在测试数据中，错误率高于验证数据。有几个因素可能导致测试数据的错误率较高。首先，在人工分割中，叶子边缘的像素被分类为前景，而在自动分类中，这些像素可以被分类为背景，因为这些像素的光谱特征是背景和植物的混合。其次，手动分割可能会有错误，特别是对于小麦和大麦这种窄叶植物。分割后的图像将被进一步处理，以分析植物中的营养分布，包括氮、磷等。分割的精度可以满足这一要求。使用较大的训练数据来训练更复杂的模型，如人工神经网络（ANN）或深度ANN，将获得相同或更好的结果，但是，当考虑到劳动力和数据收集成本时，最好使用较小的数据集来训练具有可接受精度的模型。