受疫情影响，上周举行的美国植物表型会议Phenome 2020并没有来自中国大陆的代表。Phenome会议历来是国际植物表型圈最棒的会议之一，为了更好的与国内植物表型圈同仁分享会议进展，我们邀请到几位海外华人代表谈一下他们的参会感想。今天来分享的是爱荷华州立大学的盖倞尧博士。

美国植物表型会议Phenome是美国表型组学的顶级会议，由北美植物表型网络NAPPN，美国植物生物学协会ASPB，以及国际植物表型网络IPPN共同举办。
 

Phenome聚焦于解决植物表型学数据测量、数据处理、生物建模等问题，提供了一个跨界、跨专业的高层次交流平台。本次会议注册者约270人（数据来自注册处工作人员），来自学术界以及工业界，专业涵盖植物学、生物学、统计、计算机、工程等各个方向。各行各业的专家学者们在这里互相交流自己的研究和想法，以寻求合作、激发新的灵感、以及展望学科的未来。
 

这是我第一次参加Phenome。我是一名农业工程方向的博士生，主要的研究方向是机器人在农业方向的应用，近两年才参与到表型测量机器人的研发中。这次我们实验室四个人驾车从美国中部的Iowa出发，带着我们组研发的自动表型测量机器人PhenoBot3.0，一路向西开了三天，穿过大山和荒漠，到达Arizona。会场在宽敞明亮的Tucson Convention Center，主会场只有一个，用于所有的演讲talks，主会场外的走廊以及大厅用来放置海报posters以及展览exhibitions。鉴于我的专业以及背景，我比较关注的研究是关于数据的采集以及（图像）处理方向，以下是我关于本次会议的几点感想：
 

机器视觉是高通量表型测量的最热选择
 

因为其非接触、采集速度快的特性，基于机器视觉的表型测量是当下的研究热点。该类方法通过图像处理的方式，从图像中提取结构、材质等特征，进而提取出植物的形态、病理等表型数据。本次大会中的研究大多以植物的图像作为原始数据。图像数据形式多种多样，在这次会议中出现的图像形式有：RGB彩色图像、多光谱图像、高光谱图像，以及由双目视觉、X光、核磁共振（MRI）等重建出的三维点云等。其中多光谱以及高光谱出现的最多，用于疾病监测、干旱胁迫等研究，某种程度上表现了当前植物学的研究空白与趋势。RGB图像以及三维点云多用作植物的形态表型测量，例如根系（by Dr. Camilo Valdes, Florida International University）、花序（by Dr. Mao Li, Donald Danforth Plant Science Center）、玉米茎杆（by Lirong Xiang, Iowa State University）、玉米穗（by Cedar Warman, Oregon State University）等。也有一些研究采用非主流的传感器，例如使用探地雷达测量根系体积（by Dr. Ursula Ruiz-Vera, University of Illinois）、使用激光阵列计算玉米根数（by Dr. Lie Tang, Iowa State University）。
 

表型测量平台、传感器百花齐放
 

高通量、高质量表型测量平台以及传感器的研发一直是植物表型组学的研究热点。该类平台以及传感器旨在为后续表型分析提供大量、高质量的植物信息。表型测量平台可分为室内、室外两大类，室内平台有环境可控的大型设施Controlled Environment Phenotyping Facility (CEPF)（from Purdue University），更多的是小型的，比如用于根系测量的（by Dr. Larry York, Noble Research Institute）, 以及多光谱图像采集的Pathoviewer（from Ghent University）。
 

Controlled Environment Phenotyping Facility (CEPF)，普渡大学（Purdue University）图像来源：https://ag.purdue.edu/plantsciences/greenhouse-conveyer-belt-could-advance-food-production-address-looming-global-food-crisis/
 

 
Pathoviewer，根特大学（Ghent University），图像来源：https://www.youtube.com/watch?v=sr7mWssVtFg

室外测量平台以无人机平台为主。无人机平台因其高效，快速、易操作的特点而广受欢迎。该类平台可搭载激光雷达、彩色相机、多光谱相机等传感器，主要用于田内作物高度分析、产量估计、光谱分析等。另一类测量平台为地面机器人平台，用于近距离采集图像，或采集无法使用空中平台观测到的特征信息。例如由我们汤烈教授课题组（Dr. Lie Tang’s lab, Iowa State University）研发的自主机器人PhenoBot 3.0，可在标准30英寸间距的玉米行间自主导航，并通过安装在自平衡杆上的多组带闪光灯的双目视觉相机，从侧面拍摄玉米在各高度的形态表型。另外一个例子是亚利桑那州的大型室外表型测量设施，使用安装在龙门架上的多种传感器（彩色、高光谱、三维等）采集植物信息。
 

PhenoBot 3.0，爱荷华州立大学汤烈教授团队（Dr. Lie Tang’s lab, Iowa State University）

德州农工（Texas A&M University）以及亚利桑那大学（University of Arizona）探究了使用地面机器人作为控制点（robotic ground control point），以提供无人机航拍图像一个位置参考以及光谱相机的亮度标定参考，进而提高数据的精度。我认为这是一个很有前景的研究方向，以后空中以及地面平台应该结合成一个系统，发挥各自在表型测量上的优点并弥补各自的短处，以提高系统在表型测量以及农业生产上的效率。
 

传感器方面，对于室内表型测量，可选传感器很多。但对于田间表型测量，因环境不可控，可选传感器并不多。本次在演讲以及展览中出现了一些新的传感器，其中用于室内的多以提高通量、质量为主。用于室外的多以提高在复杂环境下的质量为主，比如我们课题组的PhenoStereo（by Lirong Xiang, Iowa State University）使用双目视觉配合闪光灯以保证在不同光照条件下的三维点云重建质量。在用于高粱茎秆半径的自动测量中达到了毫米级的测量精度。

PhenoStereo 带闪光灯的近程双目视觉相机，爱荷华州立大学汤烈教授团队（Dr. Lie Tang’s lab, Iowa State University）

深度学习潜力仍待开发

近几年大热的深度学习无疑为植物表型数据处理提供了新的方法，在这次会议上可见一斑。深度学习主要被用于植物图像处理的多种方面，例如病虫害监测（by Dr. Yu Jiang, Connell University），图像分割预处理（by Michael Nagle, Oregon State University），作物目标检测跟踪（by Le Wang, Iowa State University）等。但是深度学习的一个缺点是需要大量人工标定的训练数据支持。一些研究旨在探究如何减少人工标定工作量，比如使用自动生成的标定数据（by Dr. Michael Beck, University of Winnipeg），使用主动学习（by Koushik Nagasubramanian, Iowa State University）等。而且深度学习在处理大数据（不仅限于图像）上的潜力值得开发。

根系表型测量，图像采集与处理方法需要突破

根系对植物的重要性毋庸置疑，会议中有大量关于根系的植物学研究。但根系的表型数据采集与分析仍是一大难题。现阶段大多数采集根系图像的方法需要将植物挖出土壤并清理，然后使用相机、扫描仪等采集根系的二位投影图，或者使用X光、MRI等生成三维模型。该类方法在挖取过程中可能会损伤根部，很耗时，且无法保持根毛（Root hair）的完整性。爱荷华州立大学研发的透明土Transparent soil（by Ashley Paulsen, Iowa State University）提供了一个新的解决思路。深度学习在三维根系模型处理方面仍有很大研究空间。

以上是我对会议内容的几点感想。我很高兴这次能来参会，在会上认识了很多大牛和朋友，很有幸地给大家展示了我们的工作和成果，收获了很多肯定与建议，也让我对表型组学这个方向有了更深刻的了解。很遗憾明年的Phenome没有了，那就希望在ASABE年会上能看到更多关于表型的研究吧。
 

盖倞尧，本科毕业于中国科学技术大学，现于爱荷华州立大学农业生物系统工程系汤烈教授课题组攻读博士学位（2016-2020）。研究方向主要为人工智能和机器人技术在农业中的应用，在农业机器人系统研发、机器视觉、自动导航、植物表型测量等方面有丰富的科研经验。主要研究成果有基于机器视觉的面向有机绿色农业的智能除草机器人，及用于田间玉米表型测量的自主地面机器人（PhenoBot 3.0）。

扩展阅读：

海外华人谈Phenome 2020之爱荷华州立大学郑子豪

海外华人谈Phenome 2020之Danforth Center李茂

海外华人谈Phenome 2020之普度大学杨扬

国际植物表型网络IPPN介绍和入会指南

植物表型资讯两周年目录汇总

植物表型资讯2019年1-12月目录汇总

植物表型资讯2020年1-2月目录汇总