高光谱技术

原理介绍：GaiaMicro-G系列显微高光谱系统是将推扫型高光谱相机与显微镜结合，构成显微高光谱系统的主体，再借助显微镜的光路系统、不同倍率的物镜（可见）、不同倍率的反射物镜（红外）以及二维电控扫描平台来实现的。 可见近红外显微系统采用透射式的光路结构，在不同放大倍率物镜下，可以清楚的观察、采集到相应的显微高光谱数据，系统采用的是二维平移机构，X轴为图像扫描轴，Y轴为调焦轴，实现自动曝光、自动对焦等流程。 近红外显微系统采用半透半反射式光路结构，大功率溴钨灯输出光源能满足光谱响应范围，系统采用的方案：高光谱相机静止不动，通过控制二维平移机构的扫描轴完成图像的采集，通过特殊设计的光路结构，可以实现全透、半透半反模式的光路调整，再通过目镜来观察和手动调整焦距完成整个系统的焦距调试。 优势描述：1、自动调焦、自动曝光、自动匹配扫描速度（显微-可见近红外系统）2、反射率校准、均匀性校准、区域校准等3、二维整体精密电控平移机构4、可见近红外显微系统，可实现反射和透射式的高光谱成像，可利用GaiaField内置扫描结构带动光谱成像系统来完成，也可以借助Image-λ-V10/V10E系列相机和电控二维扫描机构来实现5、近红外显微系统，反射式显微高光谱成像系统借助Image-λ-N17E系列相机和电控二维扫描机构来实现6、高空间分辨率和光谱分辨率 显微高光谱系统主要技术参数：型号GaiaMicro-G-V10-LUGaiaMicro-G-V10E-AZ4GaiaMicro-G-N17EGaiaMicro-G-N17E-HR光谱范围400-1000nm400-1000nm900-1700nm900-1700nm光谱分辨率3.5nm2.8nm5nm5nm数值孔径F/2.8F/2.4F/2.0F/2.0狭缝尺寸30um*9.6mm30um*14.2mm30um*14.2mm30um*14.2mm探测器CCDSCMOSInGaAsInGaAs像素数（空间维*光谱维）1392*10402048*2048320*256640*512光谱通道数256(有效通道240)512(有效通道360)数据输出14 bits16 bits14 bits14 bits连接方式USB 2.0USB3.0USB2.0/GigeUSB2.0/Gige物镜平场无限远长工作距消色差金相物镜（5x、10x、20x、50x)选配：100x反射式物镜10X、40X选配：20X、30X显微系统（标配金相显微系统，透反射测试光路）无限远色差校正光学系统10X目镜30°倾斜，无限远铰链三通观察筒，瞳距调节：54mm~75mm，单边视度调节：±5屈光度，两档分光比R:T=100：0或50：50物镜转换器：内定位五孔转换器注：其它品牌如奥林巴斯、蔡司的生物、荧光、金相显微镜均可进行高光谱相机搭载，具体可与我司销售人员联系。 反射物镜： 反射物镜参数：倍率10倍20倍30倍40倍适用波长350nm～7μm350nm～7μm350nm～7μm350nm～7μm焦距ｆ19.9mm10mm6.7mm5mmNA（数值孔径NA）0.20.350.410.49视场φ1.0mmφ0.5mmφ0.34mmφ0.25mm工作距离 WD16mm7mm5mm3.5mm机械镜筒长80～∞（可変）mm遮光率约36％约36％约36％约36％ GaiaMicro-F系列显微高光谱系统GaiaMicro-F系列显微高光谱系统采用液晶可调滤光片（LCTF）为分光元件，采用高灵敏度科研级制冷型SCMOS相机为成像器件，一体化设计或直接与各种商用显微镜的相机接口（F接口）结合，无需扫描机构，具有高灵敏度、高空间分辨率的特点。 主要技术参数：

GaiaSorter “盖亚”高光谱分选仪 GaiaSorter “盖亚”高光谱分选仪的核心部件包括均匀光源、光谱相机、电控移动平台（或传送带）、计算机及控制软件等部分。工作原理是通过光源照射在放置于电控移动平台（或传送带）上的待测物体（样品），样品的反射光通过镜头被光谱相机捕获，得到一维的影像以及光谱信息，随着电控移动平台（或传送带）带动样品连续运行，从而能够得到连续的一维影像以及实时的光谱信息，所有的数据被计算机软件所记录，最终获得一个包含了影像信息和光谱信息的三维数据立方体。通过对数据的分析，可进行针对如果蔬的水分、糖酸度等内、外部信息以及其他类型物品分级、分选所需信息的获取，并通过后续的控制开发，从而实现对物品的全自动化分选。 GaiaSorter“盖亚”高光谱分选仪 “盖亚”高光谱分选仪结构示意图如下：GaiaSorter “盖亚”高光谱分选仪的标准配置针对大小为300mm ( 长)×300 mm ( 宽)×200 mm ( 高) 的物品的测量，光谱范围有400-1000nm，900-1700nm 和1000-2500nm 三个标准光谱波段，并通过选配小型传送带装置，可实现小批量的连续量测。 GaiaSorter“盖亚”高光谱分选仪既可以搭载Image-λ“G”系列高光谱相机，也可搭载GaiaField 系列高光谱相机，相机具体规格参见相关产品规格表。 “盖亚”高光谱分选仪主机基本规格：GaiaSorter“盖亚”高光谱分选仪主机样品空间尺寸（长x宽x高，最大）300mm×300mm×200mm光照空间均匀性≥90%电源输入电压AC 220V ±10%均匀光源额定工作电压DC12V（通过调整电压实现亮度调整）光源额定总功率～200W工作距离可调整范围180mm～600mm样品台扫描行程*400mm注*：样品为薄片时，工作距离调整范围为180mm-600mm；样品高度为200mm时，工作距离调整范围为180mm-400mm。

1、概述根系是植物地下部分为适应陆地生活长期进化而形成的营养器官，具有支撑地上部分的基本作用，不仅在水、矿物质和碳水化合物的吸收、转化和储存中发挥着重要的作用，还能够稳定植物体并与土壤形成物理和化学联系。有研究学者认为，优良根系的品种有利于提高产量稳定性、资源利用效率及对环境胁迫的抵抗力[1]，根系也被作为育种目标。根系的形态，例如根长、根系体积、根系直径和根干物质，可以反映根系的健康情况。当植物受到胁迫时，根系会产生一系列生长和发育、形态、生物量以及生理生化代谢变化以适应胁迫条件。因此，更好地了解植物根系和根际过程有助于提高植物生产和可持续土壤管理的资源效率。根系研究的关键在于使植物“隐藏的一半”能被可视化和量化。 传统植物根系的研究方法包括挖掘法、定位法、土钻法等，通过挖根、洗根等操作后对根系进行形态学、生理生化等方面的研究，此类方法不仅破坏性大、耗时长、取样成本高，且存在一定的局限性[2]。近年来，无损成像方法在植物科学中变得越来越流行。传统上局限于RGB成像的高通量应用正在向更宽的光谱范围发展，从而能够对根际成分进行化学成像[3,4]，也为地下根系的研究提供了新的途径。为了解决传统根系研究方法所存在的缺陷并方便对根系进行成像，市场上出现了一系列产品，如人工培养基（琼脂、发芽纸、水培等）培养植物幼苗的方法，但该方法植株的生长条件受到人们的质疑；微根窗技术是一种非破坏性、定点直接观察和研究植物根系的方法，是活体根系监测、根系动态生长监测最主要的方法之一。但该方法的缺陷在于窗面及观察深度都比较有限，且在根系生长过程中可能会产生大量细根围绕在玻璃管周围，影响观测的准确性[5-7]。因此，基于根窗技术，填土根箱成像系统应运而生，用于植物根系成像。基于根箱栽培的植物根系表型RGB成像存在一个缺陷，即需要依赖于根与土壤足够的对比度才能进行自动分割。而高光谱成像数据能够克服根与土壤分割困难的问题，能够对根系表型及生化性状成分进行成像分析。根系表型研究方法对比根系研究方法优点缺点代表性仪器挖掘法、土钻法经济成本低破坏性；耗时耗力；WinRhizo洗根图像分析系统微根窗法非破坏性；定点观测窗面尺寸小MS-190超高清微根窗相机系统根箱栽培法-RGB成像非破坏性；可实现高通量分析图像自动分割依赖于根与土壤的对比度PlantScreen高通量植物表型系统根箱栽培法-高光谱成像自动图像分割；可对根系成分进行化学成像经济成本略高RhizoTron植物根系高光谱成像分析系统基于此，易科泰生态技术公司结合近几年来国际先进高光谱成像技术创新应用（易科泰 SpectrAPP 项目）实验研究，开发了一款RhizoTron植物根系高光谱成像分析系统，该系统基于根窗技术，可对RhizoBox根盒培养的植物根系进行原位非损伤表型成像分析，具备多功能高光谱成像分析功能，可对植物根系进行高光谱和自发光荧光成像。能够实现植物根系进行原位表型高光谱成像分析和动态监测。可应用于植株根系成像分析、抗性筛选及遗传育种、病虫害胁迫及干旱研究、土壤结构及养分研究等领域。2、RhizoTron植物根系高光谱成像分析系统2.1 系统介绍RhizoTron植物根系高光谱成像分析系统可对生长于RhizoBox根盒（带根窗）的作物根系进行高光谱成像分析和UV激发生物荧光成像分析（选配），可选配Thermo-RGB成像分析及冠层表型成像分析。RhizoTron植物根系高光谱成像分析系统由主机系统和高光谱成像系统组成，其中主机系统包括系统平台（主机箱）、控制单元、样品托、数据处理服务器等组成；光谱成像系统由光谱成像单元（包括成像传感器、光源、云台等）和自动扫描轴组成。2.2 功能特点1）基于RhizoTron根窗技术的高光谱成像分析技术，配有植物培养模块，由样品托盘、适配器、不同规格尺寸RhizoBox根系观测培养根盒组成，或自己制作培养根盒；可选配多通道智能LED培养台2）标配为60度倾斜自动扫描成像（与植物培养角度一致），同时对RhizoBox根系和幼苗进行高光谱成像分析和RGB成像分析，可选配其它角度如45度、70度和90度（垂直扫描成像）3）可对根系进行UV-MCF紫外光激发生物荧光高光谱成像，以研究分析根系活动及根系与土壤互作关系、荧光假单胞菌等AvrahamAlonyandRaphaelLinker,2013）；或选配根系Thermo-RGB成像分析4）可选配顶部冠层RGB成像分析、红外热成像分析、高光谱成像分析、叶绿素荧光成像分析（可选配适于正常培养盆的样品托）5）可选配iPOT数字化植物培养盆或RhizoBox根系培养盒，持续监测土壤水分温度、重量、植物生长、光合效率、PI（performanceIndex）、茎流等生理生态指标，可自动采集土壤渗漏水并进行土壤营养盐分析6）模块式结构，具备强大的系统扩展功能，系统平台自动万向脚轮，方便移动7）可远程控制（选配）、自动运行数据采集存储等功能2.3 技术指标1)控制单元为嵌入式操作系统，可进行双重控制（触控屏+PC端全中文GUI软件），实现远程操控相机及平台2)自动扫描轴推扫速度与精度：1-40mm/s，移动精度1mm，有效扫描范围：标配100cm3)高光谱成像（标配400-1000nm，可选配900-1700nm）可成像分析植被生理生化指标、健康指数、光合利用效率、植被胁迫、水分、氮素等指数。配备PhenoRoot根系分析软件，如需对地上部分进行同时分析，可选配SpectrAPP分析软件4）标配RGB彩色成像：分辨率2448×2048像素，配备专业植物根系分析软件5）SpectrAPP高光谱成像分析软件：进行光谱融合、ROI选区分析、光谱分析、频率直方图、自动识别不同波段峰值，可分析近百种光谱指数，根据需求定制添加光谱指数，同时能够分析根系表型数据6）PhenoRoot根系分析软件，可分析根长、根系最大宽度、凸包面积、根系总长、根系面积（生物量）、根系剖面分析（根系密度）等7)Thermo-RGB成像融合分析（选配），包括Thermo-RGB融合分析软件，红外热成像分辨率：640×512像素；测量温度范围：-25℃－150℃；光谱范围：7.5－13.5μm8)多通道智能LED培养台，RGBW四通道智能调整LED光源，0-100%可调，可模拟昼夜节律、不同光配方等，最大光强300μmol/m2s 9)叶绿素荧光成像单元（选配），专业高灵敏度叶绿素荧光成像CCD，帧频50fps，分辨率720×560像素，像素大小8.6×8.3µ m，可自动运行Fv/Fm、Kautsky诱导效应、荧光淬灭分析、光响应曲线等protocols，自动测量分析50多个叶绿素荧光参数，包括：Fv/Fm、Fv’/Fm’、Y(II)、NPQ、qN、qP、Rfd、ETR等，自动形成叶绿素荧光参数图10)系统平台规格：标配约145cm×60cm×160cm（长×宽×高）、重量约50kg 3、应用案例3.1 甜菜根系RGB及高光谱成像分析：以甜菜为实验对象进行了实验，对其根系进行RGB成像和高光谱成像（900-1700nm），分别进行了形态分析和生化性状进行分析[8]。1）形态分析：以手动分割作为参考，使用RGB和高光谱图像跟踪甜菜根系的生长、形态和结构，发现基于RGB自动分割并不能很好的区分老根和土壤，跟踪根系总根长误差为6.94%；高光谱成像通过光谱比率获得根系的二值图像进而对根系长度进行分析，误差仅为1.5%。使用紫外灯（UV）与模拟太阳光照射得到的根系可视化图像，发现在明亮背景下UV图像更易识别根系。左：RGB原始图像；中：(A)使用绘图板手动分割根系，(B)顶部分割不良的旧根轴区域，(C)图像底部正确分割的新根轴，(D)基于RGB获得的二值图像；右：基于高光谱获得的二值图像 UV和模拟太阳光根系可视化图像。(A): UV；(B): 模拟太阳光2）生化性状分析：对不同发生位置及成熟度的根系和土壤的平均光谱进行分析，发现三种根系光谱曲线存在显著差异，且1100nm附近新侧根与主根出现吸收峰，而老根并未出现。但老根与土壤反射曲线趋势较一致，在水分吸收区域（1450nm）附近，根系光谱斜率高于土壤。同时，它使用不同含水量土壤校准根盒的平均光谱进行校准，从而绘制根箱上水分分布图。3.2小麦根系RGB及高光谱成像分析以小麦为实验对象，对植株进行扦插处理，扦插后14、28、47、94、101和201天对根箱的上三分之一进行高光谱成像（900-1700nm)和RGB成像，分别进行了形态分析和生化性状进行分析[9]。1）形态分析：使用WinRhizo对根长度进行结构量化，以手动分割作为参考，分别使用高光谱图像和RGB图像对根系可见根长度进行预测，结果表示，基于RGB分割为83.4%，光谱分割为77.0%。但两种分割方法的斜率没有显著差异（P=0.225）。表明两种方法在预测此处使用的基质的可见根长度方面具有相似的性能。2）生化性状分析：基于光谱特征，使用决策树模型对根像素的径级类别进行预测，其训练集为r=0.86，验证集r=048；基于一阶导数差分光谱（1649-1447nm）构建根系腐烂时间指数模型，使用修剪后28天和101天的光谱数据作为验证集，其r2=0.96。 3.3 土壤含水量估测及根腐病识别以甜菜为实验对象对其根系进行高光谱成像（900-1700nm)，同时测定与实验相同土壤的根箱中的不同土壤含水量及高光谱成像，以此作为训练集对含水量模型进行训练，对根箱的每个土壤像素的含水量进行预测；以油用萝卜作为实验对象，使用化学计量分析对根系不同时间后腐烂的光谱特征进行识别，通过光谱的时间变化推断根系腐烂情况[10]。3.4不同基因型扁豆霉菌根腐病的RGB和高光谱成像评估以不同基因型扁豆为实验对象，分别进行RGB成像和高光谱成像（550-1700nm），研究高通量表型技术评估霉菌根腐病的严重程度，以快速鉴别耐药基因型。设置对照组和实验组，培养14日后实验组接种黄芽孢杆菌，对照组施以清水。接种14日后使用0-5疾病评分量表对根系进行评分，作为地面参考数据[11]。霉菌根腐病严重程度量图RGB图像：通过提取特征变量对植物生物量研究，发现投影面积与植物生物量有很强的相关性，与地下生物量相关性高达0.9，地上生物量相关性为0.84；对根系病害程度进行预测，发现其R2达到0.67，而通过地上部特征变量进行预测，其R2仅达到0.23。高光谱图像：通过提取感兴趣区的光谱，发现从地上样品的高光谱反射曲线来看，健康和感染的样品光谱反射曲线相差较小，而根系的光谱曲线差异较显著。使用归一化差异光谱指数（NDSI）对根系疾病程度进行预测，其R2达到0.54，使用地上部光谱特征进行预测，其R2仅为0.27。3.5 油菜重金属铅(Pb)含量的高光谱估测以油菜为实验对象，对叶片和根系分别进行高光谱成像，对根系图像进行比值运算（根部：861.96/480.46nm），油菜叶片和根的分割阈值t分别为1.3和1.6，使根系与背景进行图像分割。分别建立支持向量机（SVM）和SAE深度神经网络对样品中的铅（Pb）含量建立模型并预测，发现SAE深度神经网络模型精度较高。在SAE模型的基础上使用迁移学习的方法得到T-SAE模型，并对油菜叶片和根系中的Pb含量进行预测，发现其精度有所提升，油菜叶片达到0.92，根系达0.93。基于此可以发现高光谱成像技术结合深度神经网络能够对油菜植物中的重金属Pb进行定性定量检测[12]。3.6 野生植物幼苗根系高光谱成像分析易科泰EcoTech实验室技术人员以一株野生型元宝槭幼株为样本，采集900-1700nm高光谱数据，并对其进行光谱成像分析及根系形态分析。4、参考文献[1] Kutschera, L. Wurzelatlas mitteleuropä ischer Ackerunkrä uter und Kulturpflanzen. DLG-Verlags-GmbH, Frankfurt am Main (1960).；Kenrick, P., & Strullu-Derrien, C.[2] Dhondt S, Wuyts N, Inzé D. Cell to whole-plant phenotyping: the best is yet to come. TrendsPlant Sci. 2013 18:428–39.[4] Pierret A. Multi-spectral imaging of rhizobox systems: new perspectivesfor the observation and discrimination of rhizosphere components. Plant Soil. 2008 310: 263–8.[3] Vamerali T, Ganis A, Bona S, Mosca G． An approach to minirhizotron root image analysis［J］． Plant and Soil, 1999, 217( 1/2) : 183－193.[4] Johnson M G, Tingey D T, Phillips D L, Storm M J. Advancing fine rootresearch with minirhizotrons [J].Environmental and Experimental Botany, 2001, 45( 3) : 263－289.[5] Gernot B , Mouhannad A , Alireza N , et al. RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setupand Imaging Protocols. [J]. Journal of visualized experiments : JoVE, 2017, (126).[6] Gernot B, Alireza N, Thomas A, et al. Hyperspectral imaging: a novel approach for plant root phenotyping.[J]. Plantmethods, 2018, 14(1).[7] Gernot B , Mouhannad A , Alireza N . Root System Phenotying ofSoil-Grown Plants via RGB and Hyperspectral Imaging. [J].Methods in molecularbiology (Clifton, N.J.), 2021, 2264245-268.[8] Advanced Imaging for Quantitative Evaluation of Aphanomyces RootRot Resistance in Lentil[J]. Frontiers in Plant Science, 2019, 10.[9] Nakaji T, Noguchi K, Oguma H. Classification of rhizosphere components using visible–near infrared spectral images. Plant Soil. 2008 310: 245–61.