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境對植物生長和產量的影響至關重要。隨著世界人口的增長，農作物的產量提升和可持續生產已成為一個嚴峻的挑戰。作物環境所面臨的壓力會對其生長、發育產生不利影響，對農作物生產構成了的重大威脅，因此早期檢測和準確診斷是有效管理和預防的關鍵。最新的人工智能（Artificial Intelligence, AI）和成像傳感器技術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合使用，可以克服傳統方法的局限性，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之前。這種能力使農民能夠迅速有效地應對，從而減少作物損失，提高農業生產力。
 

2024年3月，Plant Phenomics 在線發表了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揮著關鍵作用，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，如波動的環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成困難。解決這些挑戰將為基于AI的植物表型學的發展提供更多可能性，進而促進更可持續和有韌性的農業實踐，滿足全球不斷增長的食品需求。
 

本文進行了一項系統文獻綜述（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年以來發表的相關論文，并從4個主要數據庫（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這一綜合平臺來統一檢索關鍵詞，在仔細審閱了262項研究后，總結出了AI算法和成像傳感器的主要趨勢。另外本研究還發現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變，這也需要大量的數據集來訓練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，以便開發出更加有效的植物壓力檢測方法。

圖1 此系統文獻綜述（SLR）采用了三階段搜索策略。第一階段側重于初始范圍審查。第二階段側重于對結果研究的系統審查和收集。最后，第三階段側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 | 南京農業大學陳發棣教授團隊發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，群內不定期開展作者分享會、專刊發布會等高質量活動。

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）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，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、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2021影響因子為6.5，位于農藝學、植物科學、遙感一區。2023年中科院期刊分區位于農林科學大類一區。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。
中文內容僅供參考，一切內容以英文原版為準。
撰稿：吳庚宸（南京農業大學）
排版：許怡瑤（南京農業大學）
審核：孔敏、王平