フィールド植物表現型イメージングシステム（FieldPhenotypingImagingSystem）は植物表現型の特徴を取得、分析、評価するための高スループットツールであり、植物の成長、発育、健康状態などの各方面のデータを提供することができる。表現型イメージングシステムは大量の画像データを収集し、コンピュータ視覚と画像処理技術を結合することにより、研究者が植物に対して正確な表現型分析を行うのを支援する。
畑の植物の表現型データを抽出する方法には、通常、画像収集、データ前処理、特徴抽出、データ解析などのいくつかのステップが含まれる。以下は畑植物の表現型イメージングシステムにおいて一般的な抽出方法である。
1.画像収集
まず、専用の撮像装置を用いて畑植物の画像データを取得する。これらの撮像装置は、
可視光カメラ：植物の自然な色と形態を撮影するために用いられ、簡単な形態分析によく用いられる。
赤外線カメラ：植物の熱的特徴を捕捉し、植物の水分状況、病虫害などの評価を支援する。
近赤外イメージング（NIR）：植物葉の水分含有量、窒素レベルなどの情報を取得するために使用される。
マルチスペクトルカメラ：異なる波長のスペクトル画像により植物の健康状態、病害検出などを評価する。
高スペクトルカメラ：葉の化学成分、植物の成長状態など、植物のより多くの生理的特徴を識別することができる、より高精度のスペクトル情報を提供する。
レーザースキャナー：植物の3次元構造データを取得し、植物の体積、形状などの空間特徴の分析を支援する。
2.データ前処理
取得された元の画像データは通常、ノイズ、不完全、または不均一な部分を含むので、データの前処理が必要です。これらのステップは、次の解析の精度を向上させるのに役立ちます。
ノイズ除去処理：フィルタ（メジアンフィルタ、ガウスフィルタなど）を使用して画像中のノイズを除去します。
画像拡張：コントラスト調整、シャープ化処理などの画像を拡張処理し、画像中の植物の特徴をより際立たせる。
画像補正：幾何学補正、色補正などを含み、画像の空間と色情報が正確であることを確保する。
画像分割：後の特徴抽出のために、閾値化、エッジ検出、または深さ学習などの方法で植物と背景を分離する。
3.特徴抽出
特徴抽出は表現型イメージングシステムにおける重要なステップであり、目的は画像から植物の成長、健康に関連する特徴を抽出することである。これらの特徴には、以下のものが含まれるが、これらに限定されない：
3.1植物形態特徴
植物の高さ：画像から植物の最大高さを測定することにより、その成長状況を評価する。
葉面積：植物の葉の総面積を計算し、通常は分割された葉領域で得ることができる。
根系形態：3 Dイメージング技術またはX線CTスキャンを用いて植物の根系構造を分析する。
分枝数：植物の分枝構造を分析することにより、植物の成長状況を評価する。
ブレード形状：ブレードのアスペクト比、エッジ曲率、表面平滑性などを分析する。
3.2色特性
植物の色はその成長状況、特に栄養と水分レベルを反映することができる。一般的に使用されるカラーフィーチャーは、次のとおりです。
葉緑素含有量：緑色領域の輝度を計算することにより、植物葉の葉緑素含有量を推定し、さらに植物の光合成能力を評価する。
植物健康指数：植物のRGB画像を用いて植物健康指数（例えばNDVI、正規化植生指数）を計算して植物の健康状態を判断する。
水分含有量：近赤外と可視光画像の差異により、植物の水分状況を推定する。
3.3三次元構造の特徴
植物の体積と面積：レーザースキャナーや立体視などの3 Dイメージング技術を用いて植物の3次元形状を計算し、その空間構造と成長状態を評価する。
羽根の曲率と表面特徴：3次元スキャンデータにより羽根の表面詳細を抽出し、その健康状態を評価する。
3.4成長動力学
成長速度：複数回の時点の画像データを用いて、植物の成長速度、分岐、葉面積の増加などを計算する。
植物の重量増加：植物の重量などの外部測定と結合して画像データを検証し、補充し、植物の成長状態を評価する。
4.データ分析とモデリング
抽出された特徴データは、価値のある生物学的結論を得るために、データ分析とモデリング方法を通じて深く分析する必要があります。
統計分析：データ統計方法（回帰分析、分散分析など）を通じて、異なる処理が植物の成長に与える影響を分析する。
機械学習と深さ学習：機械学習アルゴリズム（例えばサポートベクトルマシン、ランダム森林、畳み込みニューラルネットワークなど）を用いて植物の表現型特徴を分類、回帰分析または予測する。
表現型関連分析：遺伝情報との関連分析を通じて、植物遺伝子と表現型との関係を探索し、植物の成長メカニズムを明らかにする。
5.一般的なフォーム抽出ツールとソフトウェア
OpenCV：画像の前処理、特徴の抽出と分析に広く使用されている強力なオープンソースコンピュータビジョンライブラリ。
ImageJ：オープンソースの画像処理ソフトウェアで、生物学画像解析によく使われ、多種のプラグインをサポートしている。
MATLAB：強力な画像処理とデータ分析ツールボックスを提供し、植物表現型データの処理とモデリングに適している。
Phenovator：フィールド実験における植物画像データを処理し分析することができる植物表現型解析用ソフトウェア。
DeepLabCut：深さ学習に基づく運動追跡ツールで、植物の成長と運動分析によく使われている。
6.まとめ
田畑植物表現型イメージングシステムの抽出方法は画像データを収集し、画像処理と機械学習技術を結合することによって、植物の形態、色、三次元構造などの多種の特徴を抽出することができ、それによって植物の成長状態評価、遺伝研究、育種などに重要な支持を提供する。画像処理技術とセンサ技術の発展に伴い、表現型イメージングシステムの正確性と応用範囲も拡大し続けている。