友情鏈接：
植物物聯網-全時序表型監測系統PhenoSight是一個物聯網（IoT）支持的表型測量平臺，設計簡單易用，可廣泛應用于任何環境。并配套一個自動化田間控制系統、高通量性狀分析算法和基于機器學習的建模，以管理和處理平臺生成的數據，從而探究基因型、表型和環境之間的動態關系。
PhenoSight需要對試驗田進行小區劃分，建議以1米*2米為單位，PhenoSight由服務器和終端節點組成，物聯網化主要取決于兩者之間的連接。PhenoSight服務器本身也是一臺測量設備，同時可以連接9個終端節點，這就形成了實施方案示意圖中的小區分型（如下圖紅框所示）。其中紅色單元為服務器，藍色單元為終端節點。每臺服務器和終端節點均安置有可見光成像單元，而每臺服務器可外接溫濕度傳感器、土壤參數傳感器、葉綠素熒光傳感器等，可在測量植物表型的同時，將環境因子加入到植物生長的模型中去，從而除了能夠測量表型參數外，還可以實現對該環境條件下該植物的生長情況進行預測，對指導農業生產具有重大意義。所有PhenoSight數據均可以傳送到云端，進行云處理。
PhenoSight平臺結構
PhenoSight軟件GUI
（從圖例可看出PhenoSight可實現植物表型測量與環境參數測量的同步，并通過機器學習構建生長模型）
1 主要功能
? 實時作物表型監測
通過低成本的田間終端工作站，自動化實時持續監測作物生長和發育；
? 綜合的田間氣象監測
記錄一系列氣象數據：光合有效輻射，空氣溫、濕度，土壤溫度、濕度與電導率等；
? 高通量分析流程
高通量處理和量化作物生長模型和適應性表現；
? 高光譜測量
可對小區進行高光譜測量，分析相關內含物的量
? 植物氣孔表型測量
系統以現代物聯網技術為基礎，耦合多機位氣孔連續監測終端，開發深度學習圖像分析算法，可實現大規模、多物種的氣孔監測終端的集群部署
? 水稻開花時序分析
可對水稻開花時序進行分析
2 主要優勢
? 性能：實時田間分析
? 機動性：易于安裝和使用
? 可負擔性：競爭性低成本
? 耐用性：持續在田間條件下作業
? 預測性：結合表型數據及環境因子數據，可實現對未來植物生長情況的預測
3 應用領域
? 小區株型、株高、冠層、冠層緊密度、葉片顏色、葉片大小等測算；
? 植物生長動態變化、生長速率研究，如植物生育期開花變化監測；
? 植物環境響應研究 (需要開發)，如干旱、灌溉、施肥等生理研究；
? 可進行基于機器學習的可擴展的表型分析；
? 加入GxE，基因型和環境互作；
在英國諾維奇科研院中使用的物聯網分布式表型監測PhenoSight系統
4 硬件配置
? PhenoSight服務器
? 基于移動ARM處理器
? 通過4G網絡實時上傳環境參數與圖像
? 與終端節點局域網通訊
? 允許擴展使用外接傳感器設備
? PhenoSight終端節點
? 800萬像素RGB圖像
? IP66防護等級，防塵防雨
? 環境參數傳感器
? Soil - 土壤三參數：
體積含水量 | ECb電導率 | 溫度 | |
精度 | ± 0.03 m3 m-3 (3%) | ± (6% + 10mS.m-1) | ± 1.0°C |
測量范圍 | 0 to 1.0 m3.m-3 | 0 to 2000 mS.m-1 | - 20°C to + 60°C |
? Air - 空氣溫濕度
溫度：-20～100℃；
相對濕度：0～100%；
精確度：10~55℃時，±0.3℃，±2.5%的相對濕度；
? Light – 光合作用有效光輻射
0-2500μMol/m2s, ±5%；
? 高光譜測量模塊
光譜范圍：400-1000 nm
? 氣孔測量模塊
可監測物種：小麥、水稻、玉米、棉花和油菜等作物；銀杏、梧桐、桃樹等林木等的氣孔
5 軟件配置
? PhenoSight軟件包：圖像捕獲、初始質量控制與數據備份
? 基于Linux的操作系統Debian ：運行數據傳輸與遠程控制
包含兩個服務器，NetATalk和VNC服務器，以便于田間數據傳輸和遠程系統控制，這允許用戶通過無線（使用平板電腦或智能手機）或有線連接（使用筆記本電腦）連接到每個PhenoSight終端。
? 基于GUI的成像程序：實現實時系統交互
將其添加到軟件包中，以控制RGB或NoIR相機模塊，用于延時（time-lapse）作物監測。該程序可以自動檢測給定PhenoSight終端的IP地址，以便將該終端與其田間試驗的特定實驗ID相關聯。之后，程序要求用戶通過GUI對話框指定諸如基因型（品種）、生物學重復和成像持續時間等信息，用戶可以在其中啟動圖像采。
? picamera軟件包：自動調整白平衡，曝光模式和快門速度
根據不同的現場照明條件，使用一個純Python接口以連接到樹莓派Raspberry Pi相機硬件。如果用戶可以修改圖像分辨率和成像頻率。
? PhenoMonitor：集中控制系統
? PhenoMonitor系統提供中央實時監控系統，以管理PhenoSight終端工作站，記錄在線或離線狀態、操作模式、日常圖像、微環境和計算資源，并整理收集數據，以便可視化、批處理和注釋。
? 圖像選擇算法：用于獲取目標圖像
? 通過將圖像與一些固定標準進行比較，對田間試驗中捕獲的大型圖像數據集進行快速評估。
? 通過將圖像轉換為HSV色彩空間（HSV colour space）來獲取像素強度的中值；通過對圖像應用Sobel邊緣檢測來確定圖像清晰度；通過圖像測試可見區域內的陰影百分比。
? 一旦所有比較都通過了，所選圖像就包含在結果文件夾中，其中帶有CSV文件記錄圖像元數據，用于進一步的高通量圖像分析。
? 小區檢測算法：用于檢測被監測小區的初始參考位置
? 基于HSV(色調、飽和度和數值)和Lab非線性色彩空間（Lab non-linear colour space），利用基于顏色的特征選擇來識別標桿（視距尺）上的白色參考桿(小區范圍)和黑暗高度標記的坐標。
? 使用非監督式的機器學習技術，如K-Means和光譜聚類，將像素分成不同的組，如天空、小區之間的土壤、作物冠層、陰影和小區領域。
? 在檢測出圖像中的初始參考對象之后，建立了一個虛擬3D參考系統，通過一系列特征選擇方法記錄了小區范圍、冠層區域和高度標記的2D坐標。像素度量轉換也基于標桿（視距尺）上的高度標記來計算。
? PhenoMeasurer算法：
? 采用自適應強度和動態伽馬均衡來調整顏色和對比度，以最小化由不同田間照明引起的顏色失真。
? 跟蹤給定圖像和初始位置上的小區之間的幾何差異。如果不同，將應用幾何變換方法重新校準圖像，該方法移除小區范圍之外的區域，并且可以在給定圖像的頂部生成不同大小的黑條。
? 通過檢測標桿（視距尺）的可見部分來跟蹤作物高度，并通過組合的自適應閾值和本地的Otsu閾值方法來定義冠層區域。
? 應用Harris和ShiTomasi角點檢測方法對冠層區域內的尖角特征點進行定位。生成紅色虛擬點來表示直立葉的頂端、彎曲葉的反射表面、頭部和穗頭上的角點。
? 基于優化的Canny邊緣檢測方法，對給定小區的主要方向進行量化，該方法計算作物莖稈的對齊度。
? 數據內插與分析：
? 用來處理田間試驗中小的數據損失。
? 使用三次樣條插值方法36來填補表型數據集中的缺失
? G x P x E相互作用模型
? 用于探究基因型（品種）作物生長記錄與若干環境因素之間的相互作用。
? 用記錄的生長數據對每三天分組的環境因子進行相關分析。將環境因素歸入嵌套的三天周期可去除異常值并平滑輸入數據。
? 使用公式(eRGR)-1來轉移負相關值，因為相對生長速率(RGR)系列是相對于生長階段的增加性質而言的遞減序列，獲得RGR與環境因子之間的動態關系。
? 基于顯著的環境因素，選擇單個線性回歸模型來估計與給定田間環境條件相關的多個基因型（品種）的RGR。
? 應用連續的應用程序ht=ht-1(1+yt)，得到隨時間變化的植物高度。
? 生長階段預測模型：
? 基于真實生長性狀和環境數據，探究如何預測小麥不同基因型生長階段模型。
? 采用支持向量機（SVM）與徑向基函數的內核分類生長階段，并使用 SVMs的機器學習技術以用于分類。
6 高光譜測量模塊
高光譜模塊是一款以農作物參量光譜提取技術為核心，綜合運用傳感器、自動測量、自動控制和網絡通訊等技術，對農作物進行在線實時綜合評價的長勢監測診斷儀。野外作物生長監測實時診斷儀通過測量作物冠層光譜反射率來快速、實時、無損獲取作物生長信息，包括作物葉層氮含量、葉層氮積累量、葉面積指數、葉干重、葉綠素a、肥力診斷等生長指標。克服了傳統作物生長信息獲取中需要田間采樣、室內分析等繁瑣過程。
完整的野外作物生長監測實時診斷儀系統包括野外作物生長監測實時診斷儀和數據分析云服務兩部分。作物長勢監測儀可以實現在固定位置實時獲取光譜數據，然后基于儀器內置的處理器調用相關模型算法進行實時解譯反演，解算出農作物的長勢監測指標（作物葉層氮含量、葉層氮積累量、葉面積指數、葉干重、葉綠素a、肥力診斷等），將這些數據上傳至云平臺的數據中心，實現24小時實時在線監測結果顯示、病害缺肥自動預警等功能。
設計思路
性能優勢
? 無人值守、定點監測
? 低成本、多指標，架設方便
? 秒級實時監測，智能預警
? 激光定位、輔助攝像，所見即所得
? 兩維角度調整(360度+180度)
技術參數
? 光譜范圍：400-1000 nm
? 光譜分辨率：1 nm
? 數據位深：16位
? 采集視場角：25°
? 最小采樣間隔：1 min
? 通訊接口：4G、網口
? 供電電壓：12 V
? 功耗：10 W
? 工作溫度：0℃ — 50℃
? 設備尺寸（直徑×高度）：206 mm×330 mm
? 安裝接口尺寸：100*100 mm (4xφ7通孔)
? 重量：5.5 kg
? 輔助功能：激光定位、輔助攝像、兩維角度調整
? 選配組件：太陽能板，30Ah鋰離子電池（定時采集可續航20天）
? 內置模型：作物葉層氮含量、葉層氮積累量、葉面積指數、葉干重、葉綠素a、肥力診斷等
? 模型準確度：80%-95%
7 氣孔表型測量模塊
氣孔是植物蒸騰時水分從體內排到體外的主要出口，也是光合及呼吸作用與外界氣體交換的主要通道，影響植物的光合、呼吸及蒸騰等過程，影響著全球的碳水循環。
HT-1820植物氣孔原位動態表型監測系統是一款用于活體植物氣孔動態表型監測的設備，具有實時成像、同步分析、操作便捷等特點，可實現24小時晝夜不間斷的氣孔行為觀測與實時圖像解析，為微觀視野下的植物氣孔響應干旱等逆境脅迫的表型分析提供了低成本、全自動、高通量的活體無損檢測方案。系統以現代物聯網技術為基礎，耦合多機位氣孔連續監測終端，開發深度學習圖像分析算法，可實現大規模、多物種的氣孔監測終端的集群部署。廣泛應用于小麥、水稻、玉米、棉花和油菜等作物；銀杏、梧桐、桃樹等林木。
主要參數
l 功率：40W；
l 重量：5Kg
l 顯微鏡尺寸：長12cm，寬3.6cm
l 工作溫度：-10℃~40℃；
l 相對濕度：40%~80%無凝結；
l 采樣頻率：5~30幀/秒；
l 作業范圍：單葉尺度；
l 數據格式：AVI、MP4等格式；
l 分辨率：1600×1200, 1280×1024dpi
l 可監測物種：小麥、水稻、玉米、棉花和油菜等作物；銀杏、梧桐、桃樹等林木
分析指標
應用案例
南京農業大學小麥耐漬栽培試驗田氣孔觀測集群
發表文獻
1. 孫壯壯，姜東*，蔡劍，王笑，周琴，黃梅，戴廷波，曹衛星. 單子葉作物葉片氣孔自動識別與計數技術[J]. 農業工程學報, 2019. 35(23).
2. Zhuangzhuang Sun, Yunlin Song, Qing Li, Jian Cai, Qin Zhou, Mei Huang, Dong Jiang*. An integrated method for tracking and monitoring stomata dynamics from microscope videos . Plant Phenomics, 2021, 9835961.
3.In situ determination of stomatal dynamic behavior in wheat elucidates drought priming mechanisms，Under review.
4.Revealing circadian rhythm of stomatal movement based on video data in situ and deep learning in wheat ((Triticum aestivum L.)，Preparation.
