即时发布
来自北卡罗莱纳州立大学和爱荷华州立大学的研究人员展示了一种自动化技术，能够准确测量田间玉米植物叶片的角度。这项技术使叶片角度的数据收集比传统技术效率显著提高，为植物育种人员更快地提供有用的数据。
“植物叶片相对于茎的角度很重要，因为叶片的角度会影响植物进行光合作用的效率，”一篇论文的第一作者、北卡罗来纳州立大学生物与农业工程助理教授向立荣说。“例如，在玉米中，你想要顶部的叶子相对垂直，但茎秆下方的叶子更水平。这样植物就能收获更多的阳光。专注于植物育种的研究人员监测这种植物结构，因为这为他们的工作提供了信息。
“然而，传统的测量叶片角度的方法需要用量角器手工测量叶片，这既耗时又费力，”项说。“我们想找到一种方法来自动化这个过程——我们做到了。”
这项名为AngleNet的新技术有两个关键组成部分:硬件和软件。
在这种情况下，硬件是安装在轮子上的机器人设备。该装置由手动操纵，足够窄，可以在作物行之间导航，每行之间间隔30英寸(农民使用的标准宽度)。该设备本身由四层相机组成，每一层相机都被设置为不同的高度，以捕捉周围植物上不同水平的叶子。每一层都有两个摄像头，可以捕捉树叶的立体视图，并对植物进行3D建模。
当该设备沿着一排植物向下移动时，它被设定为在多个高度捕捉它所经过的每一棵植物的多个立体图像。
所有这些可视化数据都被输入一个软件程序，然后计算每棵植物不同高度叶片的叶片角度。
“对于植物育种家来说，重要的是不仅要知道叶子的角度是多少，还要知道这些叶子离地面有多远，”项说。“这为他们提供了评估每行植物叶片角度分布所需的信息。反过来，这可以帮助他们识别具有理想性状或不理想性状的遗传系。”
为了测试AngleNet的准确性，研究人员将机器人在玉米地里测量的叶片角与使用传统技术手工测量的叶片角进行了比较。
“我们发现AngleNet测量的角度与手工测量的角度相差不超过5度，这在植物育种的可接受误差范围内，”项说。
“我们已经与一些作物科学家合作，利用这项技术，我们乐观地认为，更多的研究人员将有兴趣采用这项技术来指导他们的工作。最终，我们的目标是帮助加快植物育种研究，提高作物产量。”
这张纸。”利用立体视觉和深度卷积神经网络对玉米植物进行基于田野的机器人叶角检测和表征，已在野外机器人学报．这篇论文的通讯作者是爱荷华州立大学农业和生物系统工程教授唐烈。这篇论文由爱荷华州立大学和广西大学的gajingyao Gai共同撰写;爱荷华州立大学和奥本大学的尹宝;以及爱荷华州立大学的于建明和帕特里克·施纳布尔。这项工作得到了美国国家科学基金会的支持，资助号为1625364;来自爱荷华州立大学植物科学研究所。
希普曼-
编者须知:研究摘要如下。
“基于立体视觉和深度卷积神经网络的玉米植物的田间机器人叶角检测和表征”
作者:向立荣，北卡罗莱纳州立大学，爱荷华州立大学;Gaia，爱荷华州立大学，广西大学;鲍茵，爱荷华州立大学和奥本大学;岳剑明，Patrick S. Schnablee和Tang Lie，爱荷华州立大学
发表: 2月27日野外机器人学报
DOI: 10.1002 / rob.22166
文摘:玉米(Zea mays L.)是世界三大谷物作物之一。叶角是作物的一个重要结构特征，因为它在冠层截光和光合效率方面起着重要作用。传统上，叶角是用量角器测量的，这个过程既缓慢又费力。在野外条件下，通过成像有效地测量叶角是具有挑战性的，因为冠层中的叶密度和由此产生的遮挡。然而，成像技术和机器学习的进步为图像采集和分析提供了新的工具，可用于使用野外生长植物的三维(3D)模型来表征叶片角度。在这项研究中，PhenoBot 3.0是一种机器人车辆，设计用于在农艺上间隔的作物行之间穿行，配备了多层表型立体相机，以捕捉田间玉米植物的侧面图像。PhenoStereo是一款定制的立体相机模块，具有集成频闪灯，可在可变室外照明条件下进行高速立体图像采集。开发了一种自动图像处理管道(AngleNet)来测量非遮挡叶的叶角。在该管道中，提出了一种将叶角表示为三元组关键点的新形式。该管道采用卷积神经网络检测二维图像中的每个叶角，并采用三维建模方法从重建模型中提取定量数据。 Satisfactory accuracies in terms of correlation coefficient (r) and mean absolute error (MAE) were achieved for leaf angle (r>0.87, MAE<5°) and internode heights (r>0.99, MAE<3.5cm). Our study demonstrates the feasibility of using stereo vision to investigate the distribution of leaf angles in maize under field conditions. The proposed system is an efficient alternative to traditional leaf angle phenotyping and thus could accelerate breeding for improved plant architecture.
