具有高时间分辨率的基于图像的表型数据比植物定量遗传学实验中的终点测量更具优势，因为可以评估和分析基因型与表型的关联关系。最近，基于网络的摄像系统已经部署作为可定制的，低成本的表型解决方案。在这里，作者利用180个联网的树莓派单元，实现了一个基于分布式计算的大型自动化图像捕捉系统，该系统可以同时监控1800株三叶草(Trifoliumrepens)植物。事实证明，该摄像头系统稳定，所有180部摄像头的平均正常运行时间为96％。为了分析捕获的图像，作者开发了Greenotyper图像分析方法。该方法对植物的定位精度为97.98%，基于U-net的植物分割算法的分割精度为0.84，像素精度为0.95。

表型系统的一般设置和本实验设置示意图


（A）原始图像经过深层神经网络，该网络可以检测图像上的花盆。
（B）使用基于中央QR码白色的白平衡对图像进行色彩校正。
（C）在确定花盆后，将分割算法应用于图像以获取植物的面积测量值。从图像中裁剪出每个花盆。在裁剪后的图像中测量植物面积和绿色度。绿色度以圆形直方图的形式显示。花盆之间的单个农作物大小相同，因此花盆之间的面积测量具有可比性。

作者使用Greenotyper分析了总共355,027张图像，需要24–36小时。证明了使用大量静态照相机和植物进行自动表型分析是替代依赖传送带或移动照相机系统的一种经济高效的选择。

来源：Front. Plant Sci. Greenotyper: Image-Based PlantPhenotyping Using Distributed Computing and Deep Learning.Marni Tausen, MarcClausen, Sara Moeskjær, ASM Shihavuddin, Anders Bjorholm Dahl, Luc Janss andStig Uggerhøj Andersen.
https://doi.org/10.3389/fpls.2020.01181