Plant Phenomics 綜述 | 植物壓力檢測(cè)中成像傳感器和人工智能的進(jìn)展

精準(zhǔn)表型學(xué)對(duì)于植物育種以及理解環(huán)境對(duì)植物生長(zhǎng)和產(chǎn)量的影響至關(guān)重要。隨著世界人口的增長(zhǎng)，農(nóng)作物的產(chǎn)量提升和可持續(xù)生產(chǎn)已成為一個(gè)嚴(yán)峻的挑戰(zhàn)。作物環(huán)境所面臨的壓力會(huì)對(duì)其生長(zhǎng)、發(fā)育產(chǎn)生不利影響，對(duì)農(nóng)作物生產(chǎn)構(gòu)成了的重大威脅，因此早期檢測(cè)和準(zhǔn)確診斷是有效管理和預(yù)防的關(guān)鍵。最新的人工智能（Artificial Intelligence, AI）和成像傳感器技術(shù)顯示出了準(zhǔn)確識(shí)別和預(yù)測(cè)植物壓力癥狀的潛力。通過將AI算法與成像傳感器結(jié)合使用，可以克服傳統(tǒng)方法的局限性，如耗時(shí)、昂貴且容易受主觀影響。這種整合使得能夠快速和客觀地分析植物圖像，促進(jìn)了植物壓力癥狀的早期識(shí)別，甚至在肉眼可見癥狀出現(xiàn)之前。這種能力使農(nóng)民能夠迅速有效地應(yīng)對(duì)，從而減少作物損失，提高農(nóng)業(yè)生產(chǎn)力。
 

2024年3月，Plant Phenomics 在線發(fā)表了University College Dublin題為Advancements in Imaging Sensors and AI for Plant Stress Detection: A Systematic Literature Review 的綜述文章。
 

成像傳感器在早期壓力識(shí)別中發(fā)揮著關(guān)鍵作用，因?yàn)樗鼈兛梢钥焖佟�無損地捕捉植物表型特征的微小變化。在各種成像傳感器中， RGB傳感器已被廣泛運(yùn)用于植物表型研究中。這些傳感器捕捉植物反射的可見光譜，提供紅、綠和藍(lán)光的信息。此外，光譜成像提供了更詳細(xì)的關(guān)于生物和非生物壓力引起的生化和生理變化的見解。通過在多個(gè)波長(zhǎng)處捕獲圖像，RGB和光譜傳感器可以識(shí)別植物組織中的變化，這些變化可能肉眼無法辨別。雖然AI和成像傳感器取得了識(shí)別植物壓力的進(jìn)展，但仍然面臨著諸多挑戰(zhàn)，如波動(dòng)的環(huán)境條件和不同的植物反應(yīng)對(duì)準(zhǔn)確診斷和分類應(yīng)激或傷害癥狀構(gòu)成困難。解決這些挑戰(zhàn)將為基于AI的植物表型學(xué)的發(fā)展提供更多可能性，進(jìn)而促進(jìn)更可持續(xù)和有韌性的農(nóng)業(yè)實(shí)踐，滿足全球不斷增長(zhǎng)的食品需求。
 

本文進(jìn)行了一項(xiàng)系統(tǒng)文獻(xiàn)綜述（Systematic Literature Review, SLR），著重審查了植物成像和人工智能在識(shí)別壓力反應(yīng)方面的應(yīng)用，采用了一系列特定關(guān)鍵詞進(jìn)行了廣泛的檢索，包括非生物性壓力、生物性壓力、機(jī)器學(xué)習(xí)、植物成像和深度學(xué)習(xí)等。與此同時(shí)，本文利用可編程機(jī)器人檢索了自2006年以來發(fā)表的相關(guān)論文，并從4個(gè)主要數(shù)據(jù)庫(kù)（Springer、ScienceDirect、PubMed和Web of Science）中收集了共計(jì)2,704篇論文。為了繞過搜索引擎的限制，本研究選擇了OneSearch這一綜合平臺(tái)來統(tǒng)一檢索關(guān)鍵詞，在仔細(xì)審閱了262項(xiàng)研究后，總結(jié)出了AI算法和成像傳感器的主要趨勢(shì)。另外本研究還發(fā)現(xiàn)開源成像倉(cāng)庫(kù)的增加極大地推動(dòng)了植物研究向深度學(xué)習(xí)的轉(zhuǎn)變，這也需要大量的數(shù)據(jù)集來訓(xùn)練AI模型對(duì)壓力癥狀進(jìn)行解讀。本文展示了目前在AI應(yīng)用算法方面的最新趨勢(shì)，以便開發(fā)出更加有效的植物壓力檢測(cè)方法。

圖1 此系統(tǒng)文獻(xiàn)綜述（SLR）采用了三階段搜索策略。第一階段側(cè)重于初始范圍審查。第二階段側(cè)重于對(duì)結(jié)果研究的系統(tǒng)審查和收集。最后，第三階段側(cè)重于對(duì)主要研究群體的分析和審查。

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0153‍

——推薦閱讀——

Wearable Sensor: An Emerging Data Collection Tool for Plant Phenotyping

‍https://spj.science.org/doi/10.34133/plantphenomics.0051

Plant Phenomics | 南京農(nóng)業(yè)大學(xué)陳發(fā)棣教授團(tuán)隊(duì)發(fā)表可穿戴傳感器的最新研究綜述Panicle-Cloud: An Open and AI-Powered Cloud Computing Platform for Quantifying Rice Panicles from Drone-Collected Imagery to Enable the Classification of Yield Production in Rice

https://spj.science.org/doi/10.34133/plantphenomics.0105

Plant Phenomics | Panicle-Cloud: 一種基于開放式人工智能的稻穗云計(jì)算平臺(tái)

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、專刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)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(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄。科睿唯安JCR2021影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：吳庚宸（南京農(nóng)業(yè)大學(xué)）
排版：許怡瑤（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平