大豆短柔毛的准确测定对植物育种计划和品种登记至关重要。目前，大豆短柔毛是通过视觉分类的，这是一项劳动密集型和耗时的活动。此外，三类表型（黄褐色、浅黄褐色和灰色）可能难以从视觉上区分，尤其是经常出现黄褐色错误分类的浅黄褐色类别。本研究的目的是解决植物育种工作流程中的吞吐量和准确性问题，开发一套区分短柔毛类别的指标，并测试机器学习(ML)分类方法。


2019年10月15日，在加拿大安大略省圭尔夫市圭尔夫大学埃洛拉研究站，收获成熟时(R8)大豆地块(参考试验)的真彩色航拍图，显示了短柔毛颜色的变化。G灰色短柔毛；LT浅黄褐色的短柔毛；T黄褐色的短柔毛。

对高光谱大豆地块数据进行的主成分分析(PCA)确定了与短柔毛类别相关的聚类，而Jeffries-Matusita距离分析表明，所有波段对于短柔毛类别的可分性都很重要。本研究分析了2018年、2019年和2020年的航空影像。使用已知有短柔毛的基因型的60图试验(2019年)作为参考数据，同时使用2018年、2019年和2020年的整场图像来检验分类方法的广泛适用性。在高分辨率图像中，红/蓝比值和蓝色归一化差异植被指数（蓝色NDVI）这两个指数可有效区分黄褐色和灰色短柔毛类型。

60 个大豆地块的平均光谱指数值（a）蓝色 NDVI、（b）蓝色 NDVI 伪彩色图、（c）红色/蓝色指数和（d）红色/蓝色伪彩色图。 所有组彼此之间存在显着差异（ANOVA，p＜0.05，Tukey 比较）。

使用支持向量机 (SVM) 径向基函数 (RBF) 分类器的 ML 方法能够在存在参考训练数据的图像上区分灰色和黄褐色类型(83.1%的准确度和基于像素)。测试的指数和ML模型多年来没有推广到不包含参考训练面板的图像，这表明在某些环境条件下使用航空图像进行短柔毛分类的局限性。使用航空图像可以对灰色和黄褐色的短柔毛类型进行高通量分类，但是浅黄褐色的大豆仍然很难分类，可能需要每个田间季节的训练数据。


机器学习分类结果来自参考测试2019图像60-地块短柔毛测试，使用支持向量机和径向基函数在脱字符号包中r .(a)2019年来自埃洛拉研究站的三个大豆地块。显示用于分类的剩余植物像素的土壤去除掩模。(c)ML算法中的分类像素，图轮廓显示了图的真实短柔毛。(d)按类别划分的最大似然输出中60个短柔毛图的像素计数。(e)按绘图像素多数划分的60个绘图的短柔毛试验结果的混淆矩阵。

来源：Plant Phenomics.Classification of Soybean Pubescence from Multispectral Aerial Imagery.Robert W. Bruce , Istvan Rajcan , and John Sulik
https://spj.sciencemag.org/journals/plantphenomics/2021/9806201/