成像与分析用于量化玉米（Zea mays）非生物胁迫表型

我们的研究致力于开发和应用高通量植物表型分析工具。我们的目标是快速、低成本地进行测量，同时不伤害植物。近年来，植物表型分析领域的进展已将图像分析扩展到多种类型的相机，例如卫星和无人机，并引入了机器学习等新技术。

目前实验面临的挑战包括：为在生物学问题上取得重要进展，需要在多个时间点、环境处理和基因型下进行测量，工作范围广且劳动量大。本方案提供了一种简单的方法，可快速、灵活地获取和分析植物图像，无需使用昂贵的设备。首先，使用开关打开电源插座，然后按下按钮开启显示器。

将单板计算机（SBC）电源线上的开关拨至“开启”位置。将相机放置在三脚架或桌面上，并通过电源线或电池为相机供电。使用相机上的电源按钮打开相机。使用提供的数据传输线将相机连接到SBC的USB端口，另一端连接至相机。

接下来，在摄影级织物上放置花盆的位置贴上一条深色胶带。然后将花盆置于标记好的胶带位置。对于在平面上生长的植物，例如玉米和高粱，应将其植株最宽的角度朝向相机。

调整色卡位置，使其与花盆对齐，但与植物分离，避免重叠。单击终端按钮以在单板计算机（SBC）上打开终端。输入代码行以打开图像采集窗口。

然后手动输入图像名称，或使用条形码扫描仪扫描植物的条形码或二维码。拍摄照片后，选择将图像保存到本地，或保存到已挂载的服务器或云存储。单击“单击此处拍照”按钮以捕获图像。

如果选择了本地存储，请打开桌面上的“照片”文件夹以查看图像。如果使用了服务器或云存储，请在相应位置打开图像。在完成所有图像采集后，使用首选方法（如USB存储、互联网浏览器或SSH传输）将所有图像从单板计算机（SBC）复制到本地计算机或云存储中。

将所需文件下载到本地计算机或服务器。使用命令行或包管理器安装 plantcv。打开 photo-studio-SV-notebook。

使用首选的代码编辑器（如 JupyterLab 或 Visual Studio Code）打开 ipynb 文件。运行每一段代码，并根据代码中规定的参数进行必要的修改，以获得植物的清晰掩膜。当对样本图像的分析结果满意后，打开工作流程。

在首选的代码编辑器中打开 workflow.py。编辑 workflow.py，以包含在 photo-studio-SV-notebook 中所做的任何参数更改。

ipynb 并保存文件。打开 photo-studio-SV-config.json 以更新文件路径。

修改输入文件夹路径以包含植物图像，并修改输出文件夹路径以存储处理后的图像和结果。打开终端，使用命令 conda activate plantcv 激活 plantcv，然后按键盘上的 Enter 键。更改指定的代码行，使其指向更新后的 photo-studio-SV-config。

json 文件。在终端中输入修改后的代码，然后按键盘上的 Enter 键。确保在终端中已激活 plantcv。

然后运行命令，将 results-photo-studio.json 转换为 csv 格式，并相应地更新文件路径。PlantCV 中的图像分析通过双通道阈值法成功地将玉米植株与背景分割开来。

PlantCV 分析提供了 16 个单值性状，包括叶面积、株高、叶宽和色调圆周均值，多值性状则以直方图形式展示。叶面积、株高、叶宽和色调圆周均值能够解释超过 50% 由处理引起的变异，因此是下游分析的关键指标。叶面积最大的植株具有最高的平均色调，该植株为基因型 B73，处于充分供水但受热胁迫的条件。

叶面积最小的植株其平均色相值也最小，该植株为B73基因型，并处于干旱胁迫和高温胁迫条件下。水分处理对叶面积、株高、株宽以及色相圆周均值具有显著影响，而温度处理仅对株高有显著影响。在两种温度条件下，干旱胁迫均显著降低了叶面积、植株高度、植株宽度以及色相圆周均值。

干旱导致平均色调降低，原因是绿色像素向黄色像素转变。热胁迫则同时引起叶片黄化和绿色加深。通过图像分析测定的叶面积与植物生物量高度相关，验证了基于图像的表型分析方法。