论文部分内容阅读
作物表型信息获取是现代育种技术的一个关键环节。育种学家认为,作物表型是基因型和环境共同作用的结果,是不同基因型在特定环境下所表现出的外在性状。随着基因测序技术的发展,庞大的基因排列组合催生了海量的作物表型样本。育种人员通过分析这些样本性状能够筛选出优质、高产的作物品种,从而满足快速增长的世界粮食需求。传统的人工表型筛选效率低、标准不一致,已经成为制约现代育种进程的瓶颈。为了打破瓶颈、提高表型筛选效率,本文以大田玉米作物的高通量表型信息获取为研究内容,综合运用机器人技术、视觉传感技术等一系列方法,聚焦玉米作物的茎宽、叶长、叶宽、叶角、叶旋转角等形态学表型参数的获取问题,突破田间复杂场景下器官级表型分析的一系列关键技术难点。本文首先介绍了自主研发的超窄式高通量作物表型数据获取平台,该平台能够搭载传感器在大田玉米行间开展移动式表型信息在线获取工作,然后基于该平台开展了四方面的研究工作。具体研究内容和相关结论如下:（1）RGB-D相机在田间表型应用中的性能评估和深度误差补偿。针对RGB-D相机在田间表型观测过程中,受光照条件、测量距离、以及作物本身纹理特征等外界因素干扰,导致深度观测精度不高的问题,提出基于测距性能评估的深度误差补偿方法。本研究通过评估两款主流的消费级RGB-D相机(Intel?RealSense D435i和Microsoft?Kinect V2)在田间表型信息获取中的深度成像性能,提出综合的测距性能评估和深度误差补偿框架。该框架从实验设计、测距性能评估、深度误差补偿、以及精度等级划分四个方面给出了RGB-D相机测距性能评估和深度误差补偿模板。重点提出基于图像像素中心区域的测距评估策略,以及基于支持向量回归（Support Vector Regression,SVR）的深度误差补偿策略。研究结果表明,Real Sense D435i在田间玉米作物表型分析中具有较好的测距性能,所提出的深度误差补偿策略能够有效降低RGB-D相机在田间条件下的测距误差。（2）田间复杂背景下玉米茎秆宽度原位测量。在玉米作物形态学表型参数中,茎秆宽度是重要的性状特征,直接影响作物的抗倒伏性能。针对田间复杂背景下,由于茎叶交叉导致茎秆宽度测量困难的问题,开展基于茎秆点云几何特征的茎秆宽度原位测量方法研究。本研究重点提出三种茎秆宽度测量方法,三种方法分别采用基于目标检测边界框的茎秆坐标定位方法（Stem Diameters-Object Detection Bounding Box,SD-ODBB）、基于茎秆三维点云凸包结构的茎秆宽度测量方法（Stem Diameters-Point Cloud Convex Hull,SD-PCCH）、以及基于茎秆点云平面投影的几何特征测量方法（Stem Diameters-Projection Point Cloud,SD-PPC）。此外,针对茎秆宽度测量过程中,由于叶片交叉、遮挡导致的茎秆点云错误分类的问题,提出基于DBSCAN（Density-Based Spatial Clustering of Applications with Noise,DBSCAN）密度聚类的优化策略,实现茎秆点云的精确提取;同时,针对叶片遮挡导致的茎秆区域深度值缺失问题,提出基于网格搜索的茎秆缺失区域点云填充策略。研究结果表明,本研究估计得到的茎秆宽度测量结果与人工测量结果之间的R~2为0.715,RMSE（Root Mean Square Error,RMSE）为0.295cm,MAE（Mean Absolute Error,MAE）为0.236cm,该结果证明了本方法的有效性。（3）田间稠密作物场景下单株玉米植物体节提取。稠密场景下的单株器官点云提取是实现器官级表型分析的重要前提。植物体节作为连接叶片和叶鞘节点茎秆区域的器官繁殖单元,其形态结构可用于测量作物的茎秆节点宽度、叶片宽度、叶片长度、叶角、叶旋转角等表型参数。针对田间条件下单株作物器官点云提取困难的问题,开展基于植物体节的单株玉米器官点云提取方法研究。本研究重点提出基于点密度直方图和三次B样条曲线拟合的单株作物器官点云分割方法,以及基于点云色彩信息和密度特征的植物体节点云构建方法。研究结果表明,本研究所提出的植物体节器官提取方法可以从RGB-D相机拍摄的田间群体玉米作物图像中,准确提取反映作物真实形态的植物体节单元,提取成功率为89.2%。（4）基于植物体节先验模型的作物表型参数估计。针对田间条件下获取的玉米作物器官点云信息不完整、表型参数提取不准确的问题,开展基于植物体节先验模型和表型参数数据库的作物形态学表型参数鲁棒估计方法研究。本研究重点提出基于器官点云三维包围盒的表型参数数据库构建方法;基于数字植物生长模型L-system的植物体节三维模型构建方法。根据表型参数数据库和植物体节三维模型组合得到植物体节模型数据库,并采用豪斯多夫距离函数评判植物体节模型点云与测量点云之间的相似性,相似度最高的最优模型用于提取玉米作物的茎秆节点宽度、叶片宽度、叶片长度、叶角等多个形态学表型参数。研究结果表明,基于先验模型的表型参数估计结果与人工测量值具有较好的一致性,其中,茎秆节点宽度R~2为0.825,RMSE为0.253cm,MAE为0.199cm;叶片宽度R~2为0.829,RMSE为0.312cm,MAE为0.260cm;叶片长度R~2为0.733,RMSE为3.406cm,MAE为2.822cm;叶角R~2为0.783,RMSE为2.835°,MAE为2.240°。综上,本文以田间玉米作物形态学表型参数获取为研究目标,开展了“作物表型平台研发—表型数据获取传感器性能评估—作物器官形态学表型参数获取”的系统性研究工作,实现了茎秆（节点）宽度、叶片长度、叶片宽度、叶角、叶璇转角等参数的鲁棒估计,为育种研究中的高通量表型信息获取和作物长势分析提供了技术支撑。