高光譜成像儀在茶苗生長過程中的應用背景：茶樹，作為一種至關(guān)重要的經(jīng)濟作物，其種植卻時常受到惡劣天氣條件的困擾，導致茶苗生長緩慢且成本顯著增加，從而限制了茶樹良種的產(chǎn)業(yè)化進程。在茶樹育種中，扦插苗的新梢和根系的生物量作為衡量其生長發(fā)育的關(guān)鍵指標，其準確且快速的監(jiān)測對于提高茶苗成活率至關(guān)重要。然而，傳統(tǒng)的茶樹扦插苗生物量分析方法主要依賴于人工測量，不僅費時費力，而且效率低下。幸運的是，隨著高通量表型技術(shù)的興起，我們能夠從圖像數(shù)據(jù)中快速提取出有用的表型特征。相較于傳統(tǒng)方法，高通量系統(tǒng)具有更高的效率、準確性和無損性，能夠更精準地呈現(xiàn)我們感興趣的植物特征。

實驗設計：利用高光譜成像設備（Gaia field Pro-V10, Dualix Spectral Imaging）采集整個育苗時期的茶樹扦插苗的光譜數(shù)據(jù)。采集系統(tǒng)的外部由一個黑色的暗箱封閉。此外，高光譜相機捕獲的圖像的光譜范圍在可見-近紅外波段(391-1010 nm)有1101 ×960像素，可以測量360波段的光譜反射率。為了減輕扦插苗生長后期葉片重疊的影響，對扦插苗的冠層進行了檢查，將被遮擋的成熟葉片和嫩枝移至視場。

結(jié)論：首先，利用Mask R-CNN網(wǎng)絡提取新梢和母葉的光譜反射率，其次，利用多元散射校正（MSC）、一階導數(shù)（1-D）和平滑濾波（S-G）算法對采集的原始高光譜數(shù)據(jù)進行預處理，并利用無信息變量消除（UVE）和競爭性自適應重加權(quán)（SPA）算法篩選預處理后高光譜數(shù)據(jù)的特征波段。*后，提出一種卷積神經(jīng)網(wǎng)絡-門控循環(huán)網(wǎng)絡（CNN-GRU）網(wǎng)絡用于估計扦插苗新梢和根系的生物量，并且與支持向量機（SVM）、隨機森林（RF）、偏*小二乘法（PLS）三種機器學習方法和卷積神經(jīng)網(wǎng)絡（CNN）、長短時記憶網(wǎng)絡（LSTM）兩種深度學習方法進行比較。

圖1 顯示了圖像采集和流程圖的組合。(a)圖像采集(b)數(shù)據(jù)處理流程圖

為了去除原始光譜數(shù)據(jù)的基線漂移、噪聲等信息，建立穩(wěn)定、可靠的定量分析模型，我們結(jié)合S-G、MSC和1-D對光譜數(shù)據(jù)進行預處理。原始平均反射率光譜圖和預處理后光譜曲線如圖2所示。預處理后，可以清晰地觀察到光譜的吸收峰和反射谷更加突出，提高了光譜的靈敏度。

圖2 原始光譜與預處理后的光譜

為了消除無關(guān)波段對模型精度的影響，我們使用UVE和SPA算法選擇特征波段，如圖3所示。

圖3 特征波段的分布

*后基于選取的特征波段，利用新梢和母葉光譜結(jié)合CNN-GRU 、SVM、RF、PLS、CNN、LSTM建立新梢和根系生物量的定量預測模型（圖4）。在新梢生物量的預測模型中，新梢光譜+ UVE + CNN-GRU模型的精度*高（RP2=0.90，RMSEP=0.12，RPD=2.43）；在根系生物量的預測模型中，母葉光譜+ SPA+LSTM模型的精度*高（RP2=0.65，RMSEP=0.05，RPD=1.67）。

圖4 模型的預測值和實際值的散點圖。(a)新梢光譜+ UVE + CNN-GRU;(b)母葉光譜+ UVE + CNN-GRU;(c)新梢光譜+ SPA + CNN;(d)母葉光譜+ SPA + LSTM。

本研究中高光譜成像技術(shù)和多種算法相結(jié)合建立的模型具有準確的預測結(jié)果，可用于監(jiān)測茶樹扦插苗新梢和分析生物量。這不僅為高效篩選茶葉優(yōu)良品種提供了新的數(shù)據(jù)來源和技術(shù)手段，而且提高了農(nóng)業(yè)生產(chǎn)效率和資源利用率。

作者簡介：毛藝霖，青島農(nóng)業(yè)大學，研究生

參考文獻：

1.Ahmed, S., Griffin, T., Kraner, D., Schaffner, M., Sharma, D., Hazel, M., Leitch, A.,Orians, C., Han, W., Stepp, J., Robbat, A., Matyas, C., Long, C., Xue, D., Houser, R.,Cash, S., 2019. Environmental factors variably impact tea secondary metabolites inthe context of climate change. Front. Plant Sci. 10, 939. https://doi.org/10.3389/fpls.2019.00939.

2.Alabi, T.R., Abebe, A.T., Chigeza, G., Fowobaje, K.R., 2022. Estimation of soybean grainyield from multispectral high-resolution UAV data with machine learning models inWest Africa. Remote Sens. Appl. 27, 100782 https://doi.org/10.1016/j.rsase.2022.100782.

3.Cao, J., Zhang, Z., 2022. Study on deep learning model for online estimation ofchlorophyll content based on near ground multispectral feature bands. IEEE Access.

10, 132183–132192. https://doi.org/10.1109/ACCESS.2022.3230355.

論文摘自，歡迎下載瀏覽：

Li He, Mao Yilin, Shi Hongtao, Fan Kai, Sun Litao, Shah Zaman, Shen Jiazhi, Li Xiaojiang, Bi Caihong, Shen Yaozong, Xu Yang, Chen Hao, Ding Zhaotang, Wang Yu. Establishment of Deep Learning Model for the Growth of Tea Cutting Seedlings Based on Hyperspectral Imaging Technique. Scientia Horticulturae, 2024. 331: 113106. https://doi.org/10.1016/j.scienta.2024.113106