밭식물표형영상시스템(FieldPhenotypingImagingSystem)은 식물의 표형특징을 획득, 분석 및 평가하는데 사용되는 높은 통량도구로서 식물의 생장, 발육, 건강상태 등 여러 방면의 수치를 제공할수 있다.표형영상시스템은 대량의 영상데터를 수집하고 컴퓨터시각과 영상처리기술을 결합하여 연구일군이 식물에 대해 정확한 표형분석을 진행하도록 도와주었다.
밭의 식물 표형 데이터를 추출하는 방법은 일반적으로 이미지 수집, 데이터 사전 처리, 특징 추출 및 데이터 분석 등 몇 가지 단계를 포함한다.다음은 밭 식물 표형 영상 시스템에서 흔히 볼 수 있는 추출 방법이다.
1. 이미지 수집
먼저, 전용 이미징 장치를 사용하여 밭에 있는 식물의 이미지 데이터를 가져옵니다.이러한 이미징 장치는 다음과 같습니다.
가시광선카메라: 식물의 자연색과 형태를 촬영하는데 사용되며 간단한 형태분석에 흔히 사용된다.
적외선카메라: 식물의 열특징을 포착하여 식물의 수분상태, 병충해 등을 평가하는데 도움을 준다.
근적외선 영상(NIR): 식물 잎사귀의 수분 함량, 질소 수준 등의 정보를 얻는 데 쓰인다.
다중 스펙트럼 카메라: 서로 다른 파장의 스펙트럼 이미지를 통해 식물의 건강 상태, 병해 검사 등을 평가한다.
고스펙트럼카메라: 더욱 높은 정밀도의 스펙트럼정보를 제공하여 식물의 더욱 많은 생리적특징을 식별할수 있다. 례를 들면 엽편의 화학성분, 식물의 생장상태 등이다.
레이저 스캐너: 식물의 3차원 구조 데이터를 획득하여 식물의 부피, 형상 등 공간 특징을 분석하는 데 도움을 준다.
2. 데이터 사전 처리
가져온 원본 이미지 데이터에는 일반적으로 노이즈, 불완전 또는 불일치 부분이 포함되므로 데이터 사전 처리가 필요합니다.이러한 단계는 다음 분석의 정확성을 높이는 데 도움이 됩니다.
노이즈 제거: 중간 값 필터, 가우스 필터 등의 필터를 사용하여 이미지에서 노이즈를 제거합니다.
이미지 향상: 이미지의 식물 특성을 더욱 돋보이게 하는 명암비 조정, 선명도 처리 등 이미지를 강화합니다.
이미지 보정: 형상 보정, 색상 보정 등을 포함하여 이미지의 공간과 색상 정보가 정확한지 확인합니다.
이미지 분할: 임계값화, 에지 감지 또는 딥 러닝과 같은 방법으로 식물을 배경과 분리하여 후속 피쳐를 추출합니다.
3. 피쳐 추출
특징 추출은 식물의 생장, 건강과 관련된 특징을 이미지에서 추출하기 위한 표형 영상 시스템의 핵심 단계이다.이러한 피쳐에는 다음이 포함되지만 이에 국한되지는 않습니다.
3.1 식물 형태 특징
식물 높이: 이미지에서 식물의 최대 높이를 측정하여 생장 상태를 평가합니다.
엽면적: 식물의 엽편총면적을 계산하는데 일반적으로 분할후의 엽편구역을 통해 얻을수 있다.
뿌리 형태: 3D 이미징 기술 또는 X-선 CT 스캔을 사용하여 식물의 뿌리 구조를 분석합니다.
분지 수: 식물의 분지 구조를 분석하여 식물의 생장 상황을 평가한다.
날개 모양: 날개의 길이, 너비, 가장자리 곡률, 표면 매끄러움 등을 분석한다.
3.2 색상 피쳐
식물의 색깔은 그 생장 상태, 특히 영양과 수분 수준을 반영할 수 있다.일반적인 색상 피쳐는 다음과 같습니다.
엽록소 함량: 녹색 영역의 밝기를 계산하여 식물 잎의 엽록소 함량을 추산하고 식물의 광합성 능력을 평가한다.
식물 건강 지수: 식물의 RGB 이미지를 사용하여 식물 건강 지수 (예: NDVI, 귀일화 식물 지수) 를 계산하여 식물의 건강 상태를 판단합니다.
수분 함량: 근적외선과 가시광선 이미지의 차이를 통해 식물의 수분 상태를 추산한다.
3.3 3차원 구조 특징
식물 부피 및 면적: 레이저 스캐너 또는 입체 시각과 같은 3D 이미징 기술을 사용하여 식물의 3D 모양을 계산하고 공간 구조 및 성장 상태를 평가합니다.
블레이드의 곡률 및 표면 특성: 3D 스캔 데이터를 통해 블레이드의 표면 세부 사항을 추출하여 건강 상태를 평가합니다.
3.4 성장동력학
성장속도: 여러 시점의 이미지 데이터를 통해 식물의 성장속도, 분지와 잎 면적의 증가 등을 계산한다.
식물 무게 증가: 식물 무게와 같은 외부 측정과 결합하여 이미지 데이터를 검증 및 보완하고 식물의 성장 상태를 평가합니다.
4. 데이터 분석 및 모델링
추출된 특징 데이터는 데이터 분석과 모델링 방법을 통해 깊이 있게 분석하여 가치 있는 생물학적 결론을 얻어야 한다.
통계 분석: 데이터 통계 방법(예를 들어 회귀 분석, 방차 분석 등)을 통해 서로 다른 처리가 식물의 생장에 미치는 영향을 분석한다.
기계 학습 및 딥 러닝: 기계 학습 알고리즘 (예: 벡터 머신, 랜덤 포레스트, 권적 신경망 지원 등) 을 이용하여 식물의 표형 특징을 분류, 회귀 분석 또는 예측한다.
표형 관련 분석: 유전 정보와의 관련 분석을 통해 식물 유전자와 표형 간의 관계를 탐색하고 식물의 생장 메커니즘을 제시한다.
5. 일반적인 폼 추출 도구 및 소프트웨어
OpenCV: 이미지 사전 처리, 피쳐 추출 및 분석에 널리 사용되는 강력한 오픈 소스 컴퓨터 비주얼 라이브러리입니다.
ImageJ: 다양한 플러그인을 지원하는 생물학적 이미지 분석에 일반적으로 사용되는 오픈 소스 이미지 처리 소프트웨어.
MATLAB: 식물 표식 데이터의 처리 및 모델링에 적합한 강력한 이미지 처리 및 데이터 분석 도구 상자를 제공합니다.
Phenovator: 밭 실험에서 식물 이미지 데이터를 처리하고 분석하는 식물 표형 분석을 위한 소프트웨어입니다.
DeepLabCut: 식물 성장 및 운동 분석에 일반적으로 사용되는 딥 러닝 기반 운동 추적 도구입니다.
6. 요약
밭식물표형영상시스템의 추출방법은 영상데터를 수집하고 영상처리와 기계학습기술을 결합하여 식물의 형태, 색갈, 3차원구조 등 여러가지 특징을 추출할수 있어 식물생장상태평가, 유전연구, 육종 등에 중요한 지원을 제공할수 있다.이미지 처리 기술과 센서 기술이 끊임없이 발전함에 따라 표형 영상 시스템의 정확성과 응용 범위도 지속적으로 확대되고 있다.