A data‐driven image extraction and analysis pipeline for plant phenotyping in controlled environments

摘要　自动化、成像和人工智能的进步使得大规模植物表型分析成为可能，但图像分析仍然是作物改良和生物学发现的关键瓶颈。我们利用德克萨斯农工大学农业生命科学自动化精准表型温室（Texas A&M AgriLife Automated Precision Phenotyping Greenhouse）的图像，开发了一个集成多光谱表型分析框架，并扩展了玉米（Zea mays L.）、棉花（Gossypium hirsutum）、水稻（Oryza sativa）和高粱（Sorghum bicolor L.）的植物生长与表型分析（plant growth and phenotyping，PGP v2）数据。该流程整合了伪红绿蓝合成图像生成、植物检测与分割、图像拼接、植被指数分析、纹理分析、形态性状提取以及图像衍生特征的时间比较，以量化植物结构、光谱反射率和纹理随时间的变化。在评估的分割方法中，segment anything model（SAM）v3在不同作物结构下提供了最高且最一致的准确性，尽管其所需计算时间多于经典方法。面向长序列的segment anything model（SAM2Long）在垂直堆叠帧之间维持了植物实例关联，而基于尺度不变特征变换（scale-invariant feature transform）的拼接在单株植物超出单一视野时重建了植物拼接图。对于每株植物和每个成像日期，该流程生成了一个863维特征向量，涵盖植被指数、光谱统计量、纹理描述符和形态性状。该框架通过两个案例研究进行了评估：诱变高粱品系的处理水平时间分析，以及使用独立成像系统对玉米进行的冷胁迫表型分析。在这两项研究中，提取的特征支持了表型变异的统计分析和多变量分析，并能够根据处理或胁迫相关响应区分植物。合并的数据集和工作流程为受控环境植物科学和作物改良提供了跨多种作物、实验设置和成像系统的结构化、自动化且记录完善的表型分析。