具有高時間分辨率的基于圖像的表型數據比植物定量遺傳學實驗中的終點測量更具優(yōu)勢，因為可以評估和分析基因型與表型的關聯關系。最近，基于網絡的攝像系統(tǒng)已經部署作為可定制的，低成本的表型解決方案。在這里，作者利用180個聯網的樹莓派單元，實現了一個基于分布式計算的大型自動化圖像捕捉系統(tǒng)，該系統(tǒng)可以同時監(jiān)控1800株三葉草(Trifoliumrepens)植物。事實證明，該攝像頭系統(tǒng)穩(wěn)定，所有180部攝像頭的平均正常運行時間為96％。為了分析捕獲的圖像，作者開發(fā)了Greenotyper圖像分析方法。該方法對植物的定位精度為97.98%，基于U-net的植物分割算法的分割精度為0.84，像素精度為0.95。

表型系統(tǒng)的一般設置和本實驗設置示意圖


（A）原始圖像經過深層神經網絡，該網絡可以檢測圖像上的花盆。
（B）使用基于中央QR碼白色的白平衡對圖像進行色彩校正。
（C）在確定花盆后，將分割算法應用于圖像以獲取植物的面積測量值。從圖像中裁剪出每個花盆。在裁剪后的圖像中測量植物面積和綠色度。綠色度以圓形直方圖的形式顯示?；ㄅ柚g的單個農作物大小相同，因此花盆之間的面積測量具有可比性。

作者使用Greenotyper分析了總共355,027張圖像，需要24–36小時。證明了使用大量靜態(tài)照相機和植物進行自動表型分析是替代依賴傳送帶或移動照相機系統(tǒng)的一種經濟高效的選擇。

來源：Front. Plant Sci. Greenotyper: Image-Based PlantPhenotyping Using Distributed Computing and Deep Learning.Marni Tausen, MarcClausen, Sara Moeskj?r, ASM Shihavuddin, Anders Bjorholm Dahl, Luc Janss andStig Uggerh?j Andersen.
https://doi.org/10.3389/fpls.2020.01181