(資料圖片僅供參考)

現代相機和傳感器，連同圖像處理算法和人工智能 (AI)，正在開創精準農業和植物育種的新時代。在不久的將來，農民和科學家將能夠通過簡單地將特殊成像設備指向植物來量化各種植物性狀。然而，在這些愿景成為現實之前，必須克服一些障礙。圖像傳感過程中面臨的一個主要問題是難以組合從多個圖像傳感器收集的同一植物的數據，也稱為“多光譜”或“多模式”成像。不同的傳感器針對不同的頻率范圍進行了優化，并提供有關工廠的有用信息。不幸的是，組合使用多個傳感器獲取的植物圖像的過程(稱為“配準”)可能非常復雜。

當涉及近距離植物的三維 (3D) 多光譜圖像時，配準甚至更加復雜。為了正確對齊從不同相機拍攝的特寫圖像，有必要開發能夠有效解決幾何失真的計算算法。此外，對近景圖像進行配準的算法更容易受到光照不均勻引起的錯誤的影響。這種情況通常在存在葉影以及密集樹冠中的光反射和散射時面臨。

在此背景下，包括中國浙江大學岑海燕教授在內的研究團隊最近提出了一種通過融合深度圖像和快照光譜圖像來生成高質量植物點云的新方法。正如他們在2023 年 4 月 3 日發表在植物現象學第 5 卷上的論文中所解釋的那樣，研究人員采用了一個三步圖像配準過程，該過程與一種基于人工智能 (AI) 的新型技術相結合來校正照明效果。岑教授解釋說：“我們的研究表明，使用立體參考來校正植物光譜并生成植物的高精度 3D 多光譜點云是很有希望的。”

實驗裝置包括一個升降平臺，該平臺在與三腳架上的兩個攝像機預設距離處放置一個旋轉臺;一個 RGB(紅色、綠色和藍色)深度相機和一個快照多光譜相機。在每個實驗中，研究人員將一株植物放在舞臺上，旋轉植物，并從 15 個不同的角度拍攝它。他們還拍攝了在不同位置包含聚四氟乙烯半球的平坦表面的圖像。這些半球的圖像用作反射率校正方法的參考數據，該團隊使用人工神經網絡實施了該方法。

對于配準，團隊首先通過圖像處理從整體圖像中提取植物結構，去除噪點，平衡亮度。然后，他們使用加速穩健特征 (SURF) 進行粗略配準——一種可以識別重要圖像特征的方法，這些特征大多不受比例、光照和旋轉變化的影響。最后，研究人員使用一種稱為“惡魔”的方法進行了精細配準。這種方法基于找到可以最佳地“變形”一幅圖像以使其與另一幅圖像匹配的數學運算符。

這些實驗表明，所提出的配準方法明顯優于傳統方法。此外，所提出的反射率校正技術產生了顯著的效果，正如岑教授強調的那樣：“我們建議對處于冠層結構復雜性低且葉片扁平且寬闊的生長階段的植物使用我們的校正方法?！?” 該研究還強調了一些潛在的改進領域，以使所提出的方法更加強大。

標簽：