高光谱成像仪在茶苗生长过程中的应用背景：茶树，作为一种至关重要的经济作物，其种植却时常受到恶劣天气条件的困扰，导致茶苗生长缓慢且成本显著增加，从而限制了茶树良种的产业化进程。在茶树育种中，扦插苗的新梢和根系的生物量作为衡量其生长发育的关键指标，其准确且快速的监测对于提高茶苗成活率至关重要。然而，传统的茶树扦插苗生物量分析方法主要依赖于人工测量，不仅费时费力，而且效率低下。幸运的是，随着高通量表型技术的兴起，我们能够从图像数据中快速提取出有用的表型特征。相较于传统方法，高通量系统具有更高的效率、准确性和无损性，能够更精准地呈现我们感兴趣的植物特征。
实验设计：利用高光谱成像设备（Gaia field Pro-V10, Dualix Spectral Imaging）采集整个育苗时期的茶树扦插苗的光谱数据。采集系统的外部由一个黑色的暗箱封闭。此外，高光谱相机捕获的图像的光谱范围在可见-近红外波段(391-1010 nm)有1101 ×960像素，可以测量360波段的光谱反射率。为了减轻扦插苗生长后期叶片重叠的影响，对扦插苗的冠层进行了检查，将被遮挡的成熟叶片和嫩枝移至视场。
结论：首先，利用Mask R-CNN网络提取新梢和母叶的光谱反射率，其次，利用多元散射校正（MSC）、一阶导数（1-D）和平滑滤波（S-G）算法对采集的原始高光谱数据进行预处理，并利用无信息变量消除（UVE）和竞争性自适应重加权（SPA）算法筛选预处理后高光谱数据的特征波段。*后，提出一种卷积神经网络-门控循环网络（CNN-GRU）网络用于估计扦插苗新梢和根系的生物量，并且与支持向量机（SVM）、随机森林（RF）、偏*小二乘法（PLS）三种机器学习方法和卷积神经网络（CNN）、长短时记忆网络（LSTM）两种深度学习方法进行比较。
图1 显示了图像采集和流程图的组合。(a)图像采集(b)数据处理流程图
为了去除原始光谱数据的基线漂移、噪声等信息，建立稳定、可靠的定量分析模型，我们结合S-G、MSC和1-D对光谱数据进行预处理。原始平均反射率光谱图和预处理后光谱曲线如图2所示。预处理后，可以清晰地观察到光谱的吸收峰和反射谷更加突出，提高了光谱的灵敏度。
图2 原始光谱与预处理后的光谱
为了消除无关波段对模型精度的影响，我们使用UVE和SPA算法选择特征波段，如图3所示。
图3 特征波段的分布
*后基于选取的特征波段，利用新梢和母叶光谱结合CNN-GRU 、SVM、RF、PLS、CNN、LSTM建立新梢和根系生物量的定量预测模型（图4）。在新梢生物量的预测模型中，新梢光谱+ UVE + CNN-GRU模型的精度*高（RP2=0.90，RMSEP=0.12，RPD=2.43）；在根系生物量的预测模型中，母叶光谱+ SPA+LSTM模型的精度*高（RP2=0.65，RMSEP=0.05，RPD=1.67）。
图4 模型的预测值和实际值的散点图。(a)新梢光谱+ UVE + CNN-GRU;(b)母叶光谱+ UVE + CNN-GRU;(c)新梢光谱+ SPA + CNN;(d)母叶光谱+ SPA + LSTM。
本研究中高光谱成像技术和多种算法相结合建立的模型具有准确的预测结果，可用于监测茶树扦插苗新梢和分析生物量。这不仅为高效筛选茶叶优良品种提供了新的数据来源和技术手段，而且提高了农业生产效率和资源利用率。
作者简介：毛艺霖，青岛农业大学，研究生
参考文献：
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.
论文摘自，欢迎下载浏览：
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
