Plant Phenomics 綜述 | 植物壓力檢測中成像傳感器和人工智能的進展

精準表型學對于植物育種以及理解環(huán)境對植物生長和產(chǎn)量的影響至關(guān)重要。隨著世界人口的增長，農(nóng)作物的產(chǎn)量提升和可持續(xù)生產(chǎn)已成為一個嚴峻的挑戰(zhàn)。作物環(huán)境所面臨的壓力會對其生長、發(fā)育產(chǎn)生不利影響，對農(nóng)作物生產(chǎn)構(gòu)成了的重大威脅，因此早期檢測和準確診斷是有效管理和預防的關(guān)鍵。最新的人工智能（Artificial Intelligence, AI）和成像傳感器技術(shù)顯示出了準確識別和預測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、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，促進了植物壓力癥狀的早期識別，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對，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別中發(fā)揮著關(guān)鍵作用，因為它們可以快速、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、綠和藍光的信息。此外，光譜成像提供了更詳細的關(guān)于生物和非生物壓力引起的生化和生理變化的見解。通過在多個波長處捕獲圖像，RGB和光譜傳感器可以識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別植物壓力的進展，但仍然面臨著諸多挑戰(zhàn)，如波動的環(huán)境條件和不同的植物反應對準確診斷和分類應激或傷害癥狀構(gòu)成困難。解決這些挑戰(zhàn)將為基于AI的植物表型學的發(fā)展提供更多可能性，進而促進更可持續(xù)和有韌性的農(nóng)業(yè)實踐，滿足全球不斷增長的食品需求。
 

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

圖1 此系統(tǒng)文獻綜述（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)大學陳發(fā)棣教授團隊發(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算平臺

加入作者交流群

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

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》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結(jié)合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關(guān)的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2021影響因子為6.5，位于農(nóng)藝學、植物科學、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

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