基于荧光成像的生命科学论文

2018年，世界卫生组织公布数据显示，全球有1810万癌症患者，其中960万人死于癌症。而在我国，几乎平均每分钟就有7.5人被确诊为癌症患者，每分钟有4.5人被癌症夺去宝贵的生命。在2020年的2月4日，世界癌症日之际，世卫组织更是发出警告，如按目前趋势继续下去，未来20年，全球癌症病例将增加60%。今天小编为大家推荐《基于荧光成像的生命科学论文(精选3篇)》的相关内容，希望能给你带来帮助!

基于荧光成像的生命科学论文 篇1：

荧光显微镜的成像原理及其在生物医学中的应用

【摘  要】本文详述了几种常见显微镜的原理，其在生物医学中的应用，以供参考。

【关键词】荧光显微镜;原理;应用

引言

荧光成像技术在生命科学研究中具有越来越广泛的应用前景。普通荧光显微镜和激光扫描共聚焦显微镜一般应用于组织、细胞的荧光成像;超分辨率显微镜则应用于亚细胞器等微小结构的成像，成像要求较高;而多光子激光扫描显微鏡更多应用于在体成像和离体厚组织样本的成像。根据不同的实验需求，科研人员正确选择合适的实验设备，将有助于提高科研效率。

1荧光显微镜的原理

传统的光学显微镜是基于样品的光吸收、相位梯度和双折射等进行成像，成像对比度低。荧光是当分子受到光激发时，电子从基态跃迁到激发态，经弛豫后再回到基态所辐射出的光。由于荧光物质的激发光谱与辐射光谱之间存在着斯托克斯位移，可采用滤光片滤出发射荧光。荧光显微技术通过利用样本发射荧光的特性对单个分子物质的时空分布进行成像，可显著地提高成像对比度。此外，可特异性荧光标记这一性能使得监测细胞内部含特定荧光团标记成分的位置及其扩散系数、转运特性、环境因素或与其他生物分子的相互作用等成为可能。常见的荧光标记物质主要有荧光染料、荧光蛋白和量子点等。其中，荧光蛋白作为活体荧光材料，具有良好的生物兼容性，被广泛应用于生物动态过程研究。

2激光扫描共聚焦显微镜技术组成和原理

激光扫描共聚焦显微镜系统包括激光光源，配备激发/抑制滤波器-分光器-光源/检测针孔荧-检测器的共聚焦扫描系统，配备微歩进马达的荧光显微镜、计算机控制系统和图像存储处理输出系统。用于激发荧光的激光束透过激发针孔被分光器反射，通过显微物镜汇聚后入射于待观察的标本内部焦点处。激光激发产生的荧光和少量反射激光一起被物镜重新收集后送往分光器。由于分光器的分光作用，残余的激光被分光器阻挡，不会被探测到。由于只有焦平面上的点所发出的光才能通过检测针孔，因此焦平面上的观察目标点呈现亮色，而非观察点则呈黑色背景，反差增加，图像清晰。在成像过程中，检测针孔的位置始终与显微物镜的焦点是一一对应的（共轭），因而被称为共聚焦显微技术。光焦点在焦平面逐点逐行移动，将采集到的光信号直接传输到控制电脑，经光电信号转换后，控制软件可以把样品焦平面光信号进行虚拟成像，样品表面光信号强度以灰度表示，也可以渲染上色，对图像信息进行更好的展示和分析。由于在荧光显微镜成像基础上加装了激光扫描装置，利用计算机进行图像处理，使用紫外或可见光激发荧光探针，从而得到细胞或组织内部微细结构的荧光图像，加之去卷积技术可确保获得更好的光学切片，分辨率提高了30%～40%，其光学切片性能使观察微观三维结构成为可能总体来说，激光扫描共聚焦显微镜具有图像采集、荧光信号定性和定位、荧光强度定量测定等基本功能。其中，图像采集是荧光信号定位、定性和定量的基础和前提。与其他光学成像技术相比，CLSM具有很多优势：无损伤扫描保持样品的完整性、采集多重波段荧光、实现多种荧光信号的共定位分析、图像质量较高、操作控制灵活;定性和定位荧光物质、定量测定荧光信号等。该技术被广泛用于荧光定量测量、共焦图象分析、三维图象重建、活细胞动力学参数监测和胞间通讯研究等方面，是生命科学、地球科学、环境科学等领域新一代强有力的研究工具。

3超分辨率显微镜

3.1超分辨率显微镜工作原理

目前，超高分辨率成像的方法包括：结构照明显微技术（SIM）、光敏定位显微技术（PALM）、随机光学重构显微技术（STORM）和受激发射损耗显微技术（STED）。SIM成像是在宽场荧光显微镜的基础上，对样品进行结构照明，利用照明后产生的莫尔条纹来提高分辨率。SIM通常是获得一组图片后进行重构，其分辨率可突破光学极限，提高到原来的两倍（横向分辨率约为100nm）。PALM和STORM技术则首先激发部分样品的荧光信号，对其进行分子定位，然后不断循环该过程，得到不同的定位点最后进行叠加为重构的超高分辨率的图像，STORM的分辨率可提高10倍（横向分辨率约为20nm），有利于观察到以往所不能观察到的结构。STED则利用一束激发光使荧光物质发光的同时，用另外的高能脉冲激光器发射一束紧贴着的、波长较长的激光将第一束光斑大部分荧光物质通过受激发射损耗过程淬灭，剩下的可激发荧光区被限制在小于衍射极限的区域内，于是获得一个小于衍射极限的光点。

3.2超分辨率显微镜特性

SIM技术的优点是样品处理与普通荧光标记样品处理相同，不足之处是成像分辨率有限，较共聚焦显微镜提高2倍。PALM和STORM成像技术的优点是分辨率有很大的提高，不足之处是成像过程中需要用到特殊的imagebuffer，样品前处理较为复杂，对系统稳定性要求高。STED技术最大的优点是可以快速地观察活细胞内部实时变化的过程，在生命科学中应用更为广泛，其主要缺陷是设备昂贵，对系统稳定性要求高。

3.3超分辨率显微镜应用范围

超分辨率显微镜的出现拓展了新的研究内容，已逐渐应用于观察蛋白质之间的组合关系来了解他们之间的相互作用，为后续的细胞功能实验研究打下基础;也有利于研究分子之间的差异;还能用于在单分子水平上研究蛋白动态组装的过程，揭示新的发现，有助发现更多的生命奥秘。

4荧光显微镜的应用

采用搭建的荧光显微镜观察脑组织切片，检验系统的性能。生物样品为Thy1-YFP（H）成年转基因小鼠的脑切片，其中YFP主要表达在脑皮层的第5层及海马区的锥形神经元。YFP的峰值发射波长为529nm，与上述所选择的滤光片套装相匹配。

4.1大视场、低分辨率成像

首先使用低倍率物镜进行大视场观察.采用4×、数值孔径0.13的物镜和10×目镜组合所拍摄的小鼠脑组织冠状切片荧光图像，可见，其视场范围可以涵盖小鼠的整个半脑，但是成像空间分辨率低，仅仅能分辨神经元胞体，对于更精细的神经元结构（例如树突、轴突）则难以分辨。实验中可进一步验证，仅通过对图像进行数字放大，无法提高成像的空间分辨率。

4.2小视场、高分辨率成像

将物镜切换至高倍率、高数值孔径物镜，可实现小视场、高分辨率成像。数值孔径0.5的物镜和10×目镜组合所拍摄的小鼠脑组织冠状切片的荧光图像数值孔径0.5的物镜和10×目镜组合所拍摄的荧光图像.相比较来说其视场范围减小，但是，神经元的树突以及由轴突构成的纤维束都清晰可见。

综合上述实验可见，实际成像中需要在光学显微系统中成像视场与空间分辨率之间进行折中选择。为了获得高分辨率的图像，成像视场往往受到限制;反之亦然。

结束语

文中所述各类型荧光显微镜有各自的特点，互相补充，可在成像清晰度、成像结构精细度和成像深度等方面满足科研工作的不同需求。科研人员准确理解各类型荧光显微镜的相关知识与应用领域，有助于其正确选择合适的仪器设备，提高科研水平，有助于提高贵重仪器的使用效益，减少资源浪费。

参考文献：

[1]林曼娜，向承林，李建军，等.LSM880withAiryscan激光扫描共聚焦显微镜高级功能和管理[J].电子显微学报，2019，38（3）：271-272.

[2]李鹏涛，李尤艳，肖智.中脑导水管周围灰质外侧区神经元P2X7受体激活对胞内钙离子水平的影响[J].医学研究生学报，2019，32（6）：602-603.

[3]刘双双，尹伟，肖桂凤，等.基于双光子显微镜技术的脑微血栓动物模型的建立与评价[J].电子显微学报，2018，37（6）：637-638.

（作者身份证号码：130204198208231812）

作者：张宏宇

基于荧光成像的生命科学论文 篇2：

匡翠方：让国产高端光学显微镜走向世界

2018年，世界卫生组织公布数据显示，全球有1810万癌症患者，其中960万人死于癌症。而在我国，几乎平均每分钟就有7.5人被确诊为癌症患者，每分钟有4.5人被癌症夺去宝贵的生命。在2020年的2月4日，世界癌症日之际，世卫组织更是发出警告，如按目前趋势继续下去，未来20年，全球癌症病例将增加60%。

这一连串的数字，让人震惊之余更感心痛。为什么会有这样的情况发生？癌症的机理是什么？如何准确地去诊疗癌症？在回答这些问题前，人类首先要明白癌症细胞的生长演变过程，清楚癌症细胞中蛋白质等微细的结构。但细胞生命活动的众多反应都发生在各细胞器中（如基因的转录、蛋白的合成与运输、物质的交换等），其尺度均在纳米量级。因此，纳米尺度超高分辨率显微镜成为细胞观测的重要工具。它的研发将有力地促进疾病的诊断、疗效的监测、新药物的开发等。

在各种类型的显微镜中，电子显微镜和原子显微镜虽拥有超高分辨率，但它们都有一个最大的缺点——难以进行活体细胞的观测。传统的光学显微镜虽然可以克服这个缺点，但在应用方面存在着诸多限制，例如样品普适性差、分辨率偏低、信息维度单一等。这些难以逾越的障碍就像魔咒一样束缚了科学家的思维。为了破解魔咒，他们不断地努力着，浙江大学光电科学与工程学院教授匡翠方正是其中之一。

推动高端光学显微镜产业化发展

白驹过隙，弹指一挥间，2020年已是匡翠方来到浙江大学的第11个年头了。翻看他的履历，似乎与“浙江”并没有多大关联：2007年，获得北京交通大学物理系博士学位；2008年，在北京理工大学光电系完成博士后研究工作；同年，远赴美国南卡罗莱纳大学（University of South Carolina）进一步深造，2010年完成该校机械工程系博士后研究工作。当被问到为何在回国后直接选择了浙江大学时，匡翠方解释道：“在国内各高校和科研院所中，浙江大学在光学工程研究方面一直都处于领先水平，有优秀的实验研究环境，非常关注超分辨率成像的研究，并对超分辨率成像团队提供了极大的支持。当时浙大的刘旭老师已经开始着手相关研究，急需相关人才，便向学院领导推荐了我。再加上我的妻子也在浙江工作。不论对于工作还是家庭，来浙江大学都是一个很好的选择。”

匡翠方主要从事的是超分辨成像方面的研究。在这11年里，他先后参与和主持了浙江大学“紫金计划”项目、现代光学仪器国家重点实验室自立项项目“基于微纳结构受激发射损耗超分辨率荧光显微方法”，教育部博士点基金“基于点扩散函数工程的超分辨荧光显微方法的研究”，国家原“973”基础研究子课题、国家自然基金重点项目子课题、科技部重大仪器专项课题等多个项目，以第一发明人授权发明专利50多项，以第一作者或通讯作者发表论文120多篇，并获得浙江省“新世纪151人才工程”第二层次培养人员、中国光学学会首届中国光学科技奖应用成果类一等奖、国家技术发明奖二等奖等多项荣誉。

面对这些丰硕的成果，匡翠方在欣喜之余也表达了深深的担忧：“我们的光学超分辨显微成像研究技术与国外的差距在逐渐缩小，但在实际产业化方面仍然比较落后。虽然我国每年显微镜产量超过300万，其中超过一半用于出口，在全球显微镜市场中占有一席之地，但这些产品主要集中在中低端，在利润方面远不及高端显微镜产品。由于受行业技术水平限制，国內具备生产高端显微镜的企业屈指可数，因此我国高端显微镜差不多90%都依赖于进口。”

事实上，高端光学显微镜的市场前景非常广阔。Grand View Research发布全球显微镜市场研究报告显示，到2020年全球显微镜市场容量预计将达到95.4亿美元。随着科技发展和人们生活水平的提高，高端光学显微镜会更广泛地应用于实验室和医疗检测等方面。而世界高端显微镜的产业主要布局在德国和日本。德国以蔡司（Zeiss）和徕卡（Leica）公司为代表，日本以尼康（Nikon）和奥林巴斯（Olympus）公司为代表，业内称之为“四大家”。这四家都是所在国家的支柱企业，也是百年老店，它们占据着世界显微镜市场50%以上的市场份额，其发展战略左右着显微镜市场的走向。

“目前中国所有三甲医院所使用的高端光学显微镜几乎都来自四大家，近年来共聚焦扫描和超分辨显微镜在中国市场的增长更是超过20%，对中国企业而言，如果能够制造出高性能、高可靠性的高端光学显微镜，无疑会迎来极大的市场机遇，并完成升级，进入世界精密仪器制造第一方阵，推动我国精密光学元器件制造、光学材料、精密加工等行业的发展。”匡翠方表示，在国内，有能力且开始生产高端显微镜的厂家主要是永新光学、舜宇股份、麦克奥迪等企业。近年来，这些企业都在加大研发力度，加速追赶步伐。

为了更好地实现高端光学显微镜的产业化发展，匡翠方与永新光学合作开展了单分子荧光探测、荧光漂白及光切片成像技术方面的研究。匡翠方以单分子荧光探测为例，向记者解释道：“传统的分子和细胞生物学技术已经比较深入地阐明了生物分子的构成及其所扮演的角色，但是单个分子的活动却被平均化而观察不到。全内反射荧光显微技术利用全内反射产生的倏逝波对样品表面薄层进行观察，而不受细胞深层区域信号的干扰，具有其他荧光成像技术无法比拟的高信噪比。对生物样本损伤小，可实现对单个荧光分子的直接探测。尤其对需要研究细胞表面科学如生物化学动力学、单分子动力学等方向的研究十分有效。”

基于该课题，项目所开发的高性能荧光显微成像技术采用了结合多角度环全内反射荧光显微技术（Ring-TIRF）、光切片荧光显微系统（Light-sheet）技术以及定点照明技术（FRAP）为一体的高分辨显微成像仪。利用全反射显微技术，通过倏逝波照明，根据倏逝波光强在全反射面处呈指数形式衰减的特性，荧光样品只会在全反射面附近被激发，实现了样品贴壁层纵向200nm分辨率的照明成像；利用光切片成像横向照明技术，照明光被聚焦成一个薄层照亮样品，进一步提高显微系统的轴向分辨率，同时利用其层扫描技术可以实现Z轴扫描，实现层析成像；利用FRAP定点照明技术，利用扫描振镜与反馈矫正技术实现系统的精准定位，通过软件控制进行位置选取与照明。

由此项目开发出的高分辨荧光显微成像仪将光机电算一体化，可以实现光切片成像、动态成像、荧光标记与共定位、三维空间还原、定量或半定量分析、单分子荧光探测、荧光漂白后恢复（FRAP）等技术，为生命科学领域研究提供帮助；而由此产生的共性化技术将带动环境、资源、农业、医疗、卫生、健康、食品、农产品、水产品等一大批应用领域的专用仪器的开发，推动国产激光器、光谱仪、探测器等器件与技术的进步。

逐一击破光学超分辨技术难点

“工欲善其事，必先利其器”。在国家加快培育战略性新兴产业、壮大经济发展新动能的当下，光学显微镜对于新材料、生物等新兴产业的发展具有影响创新能力的基础性地位。然而对于大部分光学显微镜用户而言，现有的光学超分辨技术缺乏全面反映样品生命活动的能力，在解决目前生命科学领域重大问题方面所做出的贡献依然甚微。作為研究或检测平台的超高分辨率显微系统的研制和发展，将极大促进生物、医学、材料等领域的原始创新，利于我国相关学科占领相应科学研究的制高点。

“在生物学研究中，科学家们常常利用能发射荧光的荧光分子作为生物标记。将这种荧光分子通过化学方法挂在其他不可见的分子上，原来不可见的部分就变得可见了。生物学家一直利用这种标记方法，把原本透明的细胞或细胞器从黑暗的显微镜视场中‘揪出来’。例如绿色荧光蛋白在蓝色波长范围的光线激发下，会发出绿色荧光，可以标识生物体内蛋白质的位置。在进行生物医学研究时，除了观测细胞微观结构的空间特性外，时间特性也是记录和分析细胞生命活动、蛋白质功能分析和药物疗效评估等的重要手段。对于具有荧光标识的样品而言，反映样品时间特性的参量是荧光寿命。”匡翠方说，荧光寿命可以反映细胞生命活动的环境参量，例如环境PH值、离子浓度、含氧量等，同时也是区分荧光蛋白分子、反映荧光蛋白分子动力学特征的重要参数，在细胞生物学等领域中具有广泛应用。

为此，匡翠方带领团队开展了“基于非线性焦斑调制及k空间虚拟波矢解调的超分辨显微成像系统”项目的研究，该项目旨在前期研究的基础上，成熟运用空间相位调制技术、非线性饱和焦斑激发技术和并行时空探测技术，研究基于非线性焦斑调制及k空间虚拟波矢解调的三维超高分辨显微成像技术和系统，使系统对荧光样品没有特殊要求，分辨率约提高至λ/12，且荧光寿命成像速度至少上升一个数量级，并最终研制出具有自主知识产权、对样品高度普适、高速调制与探测时空信息的多色超分辨显微仪器。匡翠方和他的团队成员希望通过该项目的研究，实现课题组自己研制的仪器在生物医学研究中得到验证与广泛应用。这不仅可以进一步促进光学超分辨显微技术的发展和完善，而且可以提升我国在该领域仪器及技术的话语权。目前项目正在井然有序的开展当中，围绕研制具有自主知识产权的高端显微成像仪器这一共同目标，课题组成员在不辞辛苦地日夜奋战。

匡翠方还积极参与到刘旭教授的课题项目“并行纳米光场调控荧光辐射微分三维超分辨成像系统”的研究中。该项目以囊泡运输过程的监控研究为侧重点，从而开发出一种具有长时程、实时、三维纳米尺度分辨本领的活体细胞显微成像方法与仪器。

“千磨万击还坚劲，任尔东西南北风。”不断进行光学超分辨技术的科研探索，研发出国产高端光学显微仪器，一直是匡翠方作为科研工作者的初衷。纵然这条道路注定荆棘密布，他也定将永不止步。“我有一个心愿，那就是让我们的高端光学显微镜走向世界。”匡翠方说。

专家简介

匡翠方，浙江大学教授，博士生导师。现为美国光学协会（OSA）会员，Optics Express、Optics Letters等杂志的审稿人。主持或参与基金委重大仪器专项基金、科技部原“973”项目、科技部重大仪器研发项目；浙江省杰出青年基金，浙江151人才基金、自然基金重点项目、面上、青年等国内外研究项目10多项，2020年主持浙江省之江实验室重大装置项目。以第一/通讯作者发表SCI文章论文120多篇，影响因子大于3的有30多篇，包括Nature communications、Physical Reviews Letter、Optica、Optics Letters、Optics Express、Applied Optics等，围绕显微超分辨显微成像应邀为Light： Science & Applications、ACS nano，Laser & Photonics Reviews撰写可见光超分辨成像综述3篇。参加OSA、SPIE等国际/国内会议邀请报告约20次，以第一发明人申请发明专利90多项，已授权50多项。获得2019年国家科学技术发明奖二等奖；2019年度王大珩光学奖-中青年科技人员光学奖，2018年首届中国光学科技奖评选应用成果类一等奖；2018年宁波市科学技术进步奖三等奖。近年工作围绕着超分辨显微信息的调控（照明调控）、超分辨信息的获取（新型显微系统）和超分辨信息的解调（图像重构）3个方面展开。

作者：王涵

基于荧光成像的生命科学论文 篇3：

植物表型监测技术研究进展及发展对策

摘要：高效的植物表型监测技术作为现代化农业的一个重要研究方向，是育种、品种选择、基因组学和表型组学研究的一个先决条件。随着图像采集、网络传输技术、图像处理等技术的发展，植物表型监测技术的实际研究与应用日益得到重视。为了从整体上梳理植物表型监测技术的研究成果和存在问题，有效地推动植物表型监测技术发展和农业现代化进程，本研究介绍了植物表型监测技术的国内外研究进展，同时归纳了现阶段比较先进的植物表型平台产品，分析了其技术组成（主要是成像模块和图像分析模块），并且列举了植物表型监测中不同用途的图像分析方法。在此基础上阐述了植物表型监测技术目前存在的问题及相应对策，最后从3个方面作了前景展望。

关键词：植物表型；监测技术；成像模块；图像分析

（aspiring）”的组学研究项目[3]。植物表型是指农艺性状的评估，如生育期、株高、叶面积、穗质量、分蘖数、形态，以及倒伏、病虫害、抗旱等[1，4]，广义上也包括细胞的表型特征、组织和器官，即表型组以及转录组、蛋白质组、代谢组学等。植物表型作为评估田间试验植物的关键技术，为获得植物不同生长阶段的特征，已开发出标准的测量尺度方法，如BBCH测量[5-7]。其中，BBCH是国际上通用的一种描述植物生育期的方式。BBCH是Biologische，Bundesanstalt，Bundessortenamt and Chemical industry的缩写，是一个对所有开花植物的各个生长阶段类似表现型统一编码的系统，以编码形式准确界定与标准化描述植物的生育期及生长状态，是一个较为通用并能包括多植物种类的系统[8]。以水稻为例，00表示种子的状态，1X表示秧苗长叶子的状态，X表示叶片数，2X表示分蘖期。由于通过手动测量分析植物的表型生理特征，很耗费时间，会产生高成本，并且分析结果具有不可靠性。手动测量通常在定义良好的静态测量条件下执行，所得到的数据集会产生误差，往往很难用于制定新的生长过程策略。因此，随着成像传感器系统技术的发展，自动表型监测技术的实现克服了上面描述的手工方法的缺点。成像传感器系统监测的数据具有客观性，并且可以对植物表型进行实时监测和分析。由于植物表型监测信息易于自动处理，也易于同设计信息以及加工控制信息集成，因此，在现代自动化农业生产过程中，人们将植物表型监测系统广泛地用于高通量植物表型平台[9-12]。

植物表型监测技术是21世纪现代化农业领域的重大革命。植物表型监测技术的科学意义在于准确、快速地获得具有内在联系的各种表型数据，有效监测农作物的生长情况，而实际意义在于该技术有助于培养优秀的生产品种。利用植物表型监测可以对温室植物的生长状态实现无损伤监测，而且测量结果准确、迅速，可以节省大量的人力物力，并为设施环境的调控提供可靠依据[13-15]。

1研究进展

近几年来，发达国家的大型企业和公众科研机构都投入了大量经费来构建大型植物表型平台，前者代表如杜邦先锋、孟山都、德国LemnaTec公司等，后者代表如澳大利亚植物表型组设施（Australian Plant Phenomics Facilit）“植物加速器”、美国唐纳德丹佛植物科学中心、日本理化学研究所等。表1给出了目前世界上已经开发出的一些植物表型平台产品，包括其资料来源、功能特性及实际应用等。

自1998年以来，德国的LemnaTec公司在植物表型监测系统方面，一直是世界领先的软件供应商和自动化的研究平台[16-18]。2013年2月，LemnaTec的Scanalyzers产品系列提供了全方位的表型研究平台，范围从台式系统到监测大型农田[19-26]。该公司在很多领域做了新的嘗试，包括育种专家关注的两大技术：高光谱成像和光合荧光（ΔF/Fm′）成像[27-31]。整个项目从工程的设计阶段到交付使用，LemnaTec公司表现出了卓越的工作效率，整个工期不到6个月。同时，Scanalyzers节能效率高达80%以上。整株植物包含根系部分，都能进行3D成像，通过改进传输管理系统，本系统的通量能提高35%，每天可获得多达2 000株植物的植物表型和生理数据，大大提高了巴伐利亚州农业研究中心（LFL）谷物育种的效率。Scanalyzers系列按照植物表型监测的不同需求分为Scanalyzer PL、Scanalyzer 3D、Scanalyzer Field等产品。其中，Scanalyzer PL适合监测小范围或者科学实验性的植物，根据测试目的，可以安装1～2个成像传感器。此台式平台可用不同的背光和顶光模式，监测到的表型具有高精度的特点。Scanalyzer 3D系统为不同植物的定量、非破坏性分析或在低吞吐量的条件下的植物模型构建开辟了新的前景。评估农业田间植物的重要特征，最可靠的方法是田间表型。Scanalyzer Field可以自动地在田间获得生长、形态学、生理学信息，并且可以无损地监控非常大的范围，保证高采样频率和高精度的效果，已用来分析增长率、生物量、基因以及结构等植物表型，在农业商业化生产中具有很大的优势。LemnaTec高通量表型筛查结果为一组巨大的具体表型参数、分析和报告，提供拟南芥、水稻、玉米到各种其他植物的全方位生理生态与形态结构成像分析，进行高通量植物表型成像分析测量、植物胁迫响应成像分析测量、植物生长分析测量、性状识别及植物生理生态分析研究等。2008年，科研机构代表澳大利亚植物表型组设施（Australian Plant Phenomics Facilit）在澳大利亚阿德雷德大学威特校区建立[1-2，32]。2009年4月，第一届国际植物表型组大会在澳大利亚堪培拉成功举办，植物表型组学研究技术也进入一个新的阶段[33]。2012年，印度投入巨资，分别在印度农业研究理事会、印度园艺研究所和印度农业研究所建立了大型植物表型平台[34]。表1植物表型平台产品的比较

表型平台参考资源功能特性实际应用Scanalyzerhttp：//www.lemnatec.com能源效率>80%；流量增加35%；三维成像2013年2月，德国农业部长赫尔穆特布鲁纳宣布，巴伐利亚州农业研究中心植物表型平台正式运行WPScanhttp：//www.phenotrait.com超高吞吐量；非代工（Non OEM）；质量控制；大型项目经验>1002003年，WPS为比利时CropDesign建成世界第一套高吞吐量植物表型系统。TraitMillhttp：//www.cropdesign.com单击“克隆”软件机器人；每年可鉴定成百个不同的启动子-基因2005年，比利时的植物设计公司（CropDesign）成功地开发了一种称为TraitMill的技术平台FieldScanhttp：//phenospex.com每天有数万株，5 000株/h高通量FieldScan是一种在表型研究领域中的高通量植物表型平台KeyBoxhttp：//www.keygene.com可快速拆卸、包装，最终套件，操作简单，功能强大2013年9月23日，Keygene已经开发出1个国际的小型便携式植物表型平台Keybox。PlantScreenhttp：//www.phenomics.com.cn实时可见光谱（RGB）成像，热成像和荧光成像分析2013年，帕拉大学设有2套plantscreen表型成像分析系统DroughtSpotterhttp：//phenospex.com重量控制精度高达0.02%；4种自动灌溉模式DroughtSpotter提供12个或24个独立的灌溉称重装置

我国作为农业大国，目前许多农业研究者已在大量文献资料说明了植物表型监测在农业中的应用，如植物表型监测在性状挖掘、水分胁迫、植物病虫害、高通量筛选、化学筛选、分子育种等农业领域中均得到发展[35-38]。2009年，华中农业大学和华中科技大学联合自主研发了第一套高通量多参数植物表型测量设备，即植株表型参数自动提取系统（RAP-1.0），研究成果总体达到国际先进水平[39]。该系统集光电技术、自动控制和机械化技术于一体，实现了水稻、玉米、小麦、油菜等盆栽植物表型参数全自动、无损、高通量准确提取，以及植物栽培输送全自动一体化。测量参数包括：株高、分蘖数、叶片角度等株型相关参数，以及绿叶面积、鲜质量、干质量等生长发育相关参数。测量效率为30 s/株，即2 880株/d。在RAP-1.0的基础上增加近红外成像暗室和荧光成像暗室，可以升级为RAP-1.1，可实现植株水分分布、叶绿色荧光等生理表型参数实现无损高通量提取，总体测量效率为45 s/株，即1 920株/d。

但是，我国植物表型监测技术起步较晚，该项技术研究整体上相对于国外发达国家进展较慢，自主研发较少，许多公司主要处于对国外先进植物表型监测技术的引进推广和利用的阶段。例如，慧诺瑞德与多家国际知名的高端科研设备生产商达成了代理协议，共同为我国农业科研、育种和生产领域提供产品和系统解决方案。他们提供的荷兰WPS表型系统具有高通量植物表型测量分析、图像分析速度快等特性，能够更好地识别和分析植物的所有性状，准确计算植物生物量、生长速率、结构相关指标等，适用于各种尺寸的植物，从幼苗到成熟植株，例如水稻、小麦、玉米、番茄、甘薯、大豆、苜蓿、烟草、油菜等。

2植物表型监测技术组成

植物表型监测系统的结构框图一般如图1所示，主要包括3个模块：成像模块、网络传输模块和图像分析模块。通过成像模块对不同的植物通过RGB、红外热成像传感器、近红外成像传感器、光合荧光传感器等不同传感器对植物的整体或者部分进行成像，并通过以太网等技术将图像传输到图像分析终端，通过对图像的处理获取不同的植物表型参数，并将该参数用于环境监测、决策诊断等。最后通过对应用示范效果的評估等，对该技术的应用构建规范标准。本研究主要介绍的是成像模块和图像分析模块。

2.1成像模块

在高通量表型平台上，各种各样的成像方法被用于复杂特征的定量研究，如研究相关生长、产量和适应生物或非生物胁迫（疾病、昆虫、干旱和盐碱）的数据[40]。成像的目的是通过光与植物之间的相互作用，如反射的光子、吸收的光子或透射的光子定量测量表型。植物细胞和组织中的每一部分具有特定波长的反射、吸收和透射特性[41]。例如，叶绿素吸收的光子主要在可见光的蓝色和红色光谱区域。目前，植物的表型主要成像技术包括可见光成像、荧光成像、热红外成像、3D成像[42-43]、成像光谱技术和其他技术（MRI、PET和CT）。

2.2图像分析模块

图像分析模块是用于处理成像模块获取的监测对象监测图像的后台脚本。自动化图像分析是一个计算密集型的复杂任务，一般分为图像处理子模块和图像分析子模块两部分。

图像处理子模块用来从数据图像中获取特征数据。图像处理子模块主要由以下5个步骤组成：PC获取数字图像，图像滤波去除噪声，图像经开、闭运算平滑处理，图像二值化和获取图像特征值。在完成图像分析步骤时，各阶段的图像如原始图像、融合图像，存储在数据库中。

图像分析子模块用来对图像特征值进行分析，促进了植物3D模型的重建，能够更好地识别和分析植物的所有性状，准确计算植物生物量、生长速率、结构相关指标（如分蘖、穗、圆锥花序等）以及其他产量相关指标。目前已开发了各种独创性图像分析工具，允许用户将颜色信息与某些特定的实验参数相关联，然后应用到后期的自动化分析中。比如，这些工具可以在肥料优化试验中精确量化植物的绿色程度，也可以量化植物的衰老过程或者追踪植物病原体的响应等。对特定的颜色区域进行识别和量化，便可以阐明植物颜色变化与性状的相关性。通过表3所示的模式识别、三维重建、机器学习等技术作出决策诊断等。

3存在问题及对策

植物表型监测技术因其具有的优势在农业生产中得到了广泛应用，但是仍然不够成熟。本研究提出了该技术应用存在的问题以及对策。

（1）实时监测目标植物，多个成像传感器监测植物的不同属性，需要准确选择并配合使用相机或传感器。具体的对策是选择分辨率高、抗环境干扰强的相机，加强实时采集图像的稳定性和清晰度。组合使用各类传感器，如红外热成像传感器、RGB成像传感器、光合荧光传感器等。为了提高监测效果，可以采用全新的硬件设备，如英特尔实感摄像头（RealSense camera）集成了3D深度和2D镜头模块的设备，结合三维成像视觉技术的开发和应用[2，8-9]，能够赋予设备以类似于人眼的视觉深度，图像在拍照的瞬间将依照深度被分层捕获，从而可以重新调整焦点，直接读取所拍物体的三维数据，更快、更准确地了解植物参数。

（2）对于采集到的图像数据，监测系统自动处理信息的速度比较慢，不利于管理者针对植物生长实际状况及时作出合理的决策。具体对策是进行图像处理新算法的研究。利用新算法（3）随着我国发展现代化农业对农田植物表型监测信息化的需求越来越强烈，植物表型监测平台的安装数量逐渐增多。由于植物表型监测平台的采集、传输、分析等各个模块开发的不同，以及决策管理过程没有明确的标准可循，导致目前我国很多植物表型平台拥有各自的开发和应用标准，没有形成统一开放的技术标准体系，阻碍植物表型监测技术在全国范围内的发展。我国在植物表型监测技术方面一直在进步和完善，但是还需要对植物表型监测体系的一系列关键技术作出详细规范。建立统一的植物表型监测系统体系和规范，形成网络资源共享库，并且加强各个表型平台开发者之间相互协作，将有助于我国植物表型监测技术发展。

4前景展望

随着植物表型监测技术的成熟与发展，它将在现代和未来农业中得到更加广泛的应用。未来，植物表型监测技术发展主要表现为以下一些特性：（1）植物表型监测产品价格呈现下降趋势，功能逐渐增多。随着植物表型监测技术的快速发展，各个公司的竞争会越来越激烈，其价格也会持续下降。为了更大程度地占据需求市场，各个公司将会不断更新功能和提供更好的优化服务，开发出可靠性高、可维护性好、不断完善的表型监测产品。植物表型监测技术的应用具有巨大的空间，随着全球表型平台研究的快速发展，它在农业方面的应用将呈上升趋势。（2）技术方面的趋势是数字化、实时化和智能化。图像采集和传输的数字化是植物表型监测系统在技术方面发展的必然趋势。更多的数字摄像机，更宽的图像数据传输带宽，更高的图像处理速度，以及更先进的图像处理算法，将会得到更广泛的应用。这样的技术发展趋势将使植物表型监测技术向着更好的实时性和更高的智能程度不断发展。（3）统一开放的标准是植物表型监测技术发展的原动力。依靠封闭的技术难以促进整个行业的发展，只有形成统一而开放的标准才能让更多的厂商在相同的表型平台上开发产品。植物表型监测技术产品的好坏不能够通过单一因素来衡量，应该逐渐按照国际化的统一标准判定，随着中国农业自动化的逐渐开放，将带领与其相关的产品技术也逐渐开放。

植物表型监测技术发展方向是随着科技发展方向改变而改变的，随着计算机、网络、图像处理、传输技术的飞速发展，以及物联网的提出，植物表型监测技术正朝着一体化、数字化、网络化、系统集成化、图像处理智能化的方向发展。植物表型监测系统在农业上的应用可提高生产的自动化水平，解放劳动力，具有良好的应用前景。相信随着相关技术的发展，很多问题会得到好的解决，植物表型监测技术在农业领域上的应用会极大地加快农业现代化进程。

参考文献：

[1]玉光惠，方宣钧. 表型组学的概念及植物表型组学的发展[J]. 分子植物育种，2009，7（4）：639-645.

[2]潘映红. 论植物表型组和植物表型组学的概念与范畴[J]. 作物学报，2015，41（2）：175-186.

[3]Baker M. Big biology：the omes puzzle[J]. Nature，2013，494（7438）：416-419.

[4]Zhe L U，Zhang F，Qin M A，et al. Advances in crop phenotyping and multi-environment trials[J]. Frontiers of Agricultural Science and Engineering，2015，2（1）：28-37.

[5] Meier U，Bleiholder H. The BBCH scale - codification and description of phonological growth stages of plants and their international use in agricultural research[C]. Proceedings of the International Symposium，2007：8-10.

[6]Lottner O，Sluiter A，Hartmann K，et al. Movement artefacts in range images of time-of-flight cameras[C]. ISSCS 2007：International Symposium On Signals，Circuits And Systems，Vol 1，2007：117.

[7]Klose R，Penlington J，Ruckelshausen A. Usability study of 3D time-of-flight cameras for automatic plant phenotyping[J]. Bornimer Agrartechnische Berichte，2009，69：93-105.

[8]張存政，单炜力，龚勇，等. BBCH编码系统及其在我国农药管理体系中的应用[J]. 农产品质量与安全，2011（6）：48-50.

[9]沈凤悦，李毅念，陈信信，等. 高时空分辨率及高通量的稻茬麦苗期表型指标动态特征研究[J]. 作物杂志，2014（5）：117-121.

[10]周金辉，马钦，朱德海，等. 基于机器视觉的玉米果穗产量组分性状测量方法[J]. 农业工程学报，2015，31（3）：221-227.

[11]Aharoni A，Vorst O. DNA microarrays for functional plant genomics[J]. Plant Molecular Biology，2002，48（1/2）：99-118.

[12]CropDesign. Traitmill- platform and process[EB/OL].[2015-12-12].http：//www.cropdesign.com/tech_traitmill.php.

[13]李長缨，滕光辉，赵春江，等. 利用计算机视觉技术实现对温室植物生长的无损监测[J]. 农业工程学报，2003，19（3）：140-143.

[14]吴琼，朱大洲，王成，等. 农作物苗期长势无损监测技术研究进展[J]. 农业工程，2011，1（4）：19-25.

[15]林开颜，徐立鸿，吴军辉. 计算机视觉技术在作物生长监测中的研究进展[J]. 农业工程学报，2004，20（2）：279-283.

[16]康乐，王海洋. 我国生物技术育种现状与发展趋势[J]. 中国农业科技导报，2014，16（1）：16-23.

[17]吴建伟，卢大文，明博，等. 我国种业智能装备产业研究[J]. 中国农业科技导报，2014，16（6）：68-73.

[18]丁海凤，于拴仓，王德欣，等. 中国蔬菜种业创新趋势分析[J]. 中国蔬菜，2015（8）：1-7.

[19]Berger B，de Regt B，Tester M. High-throughput phenotyping of plant shoots[J]. Methods Mol Biol，2012，918：9-20.

[20]Klukas C，Pape J M，Entzian A. Analysis of high-throughput plant image data with the information system IAP[J]. Journal of Integrative Bioinformatics，2012，9（2）：191-193.

[21]Neumann K. Using automated high-throughput phenotyping using the LemnaTec Imaging Platform to visualize and quantify stress influence in Barley[C]//Plant and Animal Genome XXI Conference. Plant and Animal Genome，2013.

[22]Furbank R T，Tester M. Phenomics-technologies to relieve the phenotyping bottleneck[J]. Trends in Plant Science，2011，16（12）：635-644.

[23]Langridge P. High-throuput phenotyping of nitrogen response and use in wheat with lemnatec scanalyzer 3D[C]//Plant and Animal Genome ⅩⅩⅡ Conference. Plant and Animal Genome，2014.

[24]Helmert M，Lasinger H. The scanalyzer domain：greenhouse logistics as a planning problem[C]. ICAPS，2010：234-237.

[25]Pereyra-Irujo G A，Gasco E D，Peirone L S，et al. GlyPh：a low-cost platform for phenotyping plant growth and water use[J]. Functional Plant Biology，2012，39（11）：905-913.

[26]Naumann B，Eberius M，Appenroth K J. Growth rate based dose-response relationships and EC-values of ten heavy metals using the duckweed growth inhibition test （ISO 20079） with Lemna minor L. clone St[J]. Journal of Plant Physiology，2007，164（12）：1656-1664.

[27]燕辉，胡笑涛，姚付启. 限量灌溉对冬小麦光合与叶绿素荧光的影响[J]. 农业机械学报，2011，42（11）：49-54.

[28]赵友全，魏红艳，李丹，等. 叶绿素荧光检测技术及仪器的研究[J]. 仪器仪表学报，2010，31（6）：1342-1346.

[29]王春萍，雷开荣，李正国，等. 低温胁迫对水稻幼苗不同叶龄叶片叶绿素荧光特性的影响[J]. 植物资源与环境学报，2012，21（3）：38-43.

[30]程建峰，陈根云，沈允钢. 神农架林区不同类型植物的叶片特征与光合性能研究[J]. 生态环境学报，2010，19（1）：165-171.

[31]Zhang Y J，Liu L Y，Hou M Y，et al. Progress in remote sensing of vegetation chlorophyll fluorescence[J]. J Remote Sens，2009，13：971-978.

[32]Finkel E. With ‘phenomics’，plant scientists hope to shift breeding into overdrive[J]. Science，2009，325（5939）：380-381.

[33]李宏，韋晓兰. 表型组学：解析基因型-表型关系的科学[J]. 生物技术通报，2013（7）：41-47.

[34]朱会义，刘高焕. 印度农业研究系统发展的现状、问题与对策[J]. 中国农业科技导报，2002，4（2）：38-42.

[35]李树君，方宪法，南国良，等. 数字农业工程技术体系及其发展[J]. 农业机械学报，2003，34（5）：157-160.

[36]应义斌，傅宾忠，蒋亦元，等. 机器视觉技术在农业生产自动化中的应用[J]. 农业工程学报，1999，15（3）：199-203.

[37]刘燕德，应义斌，成芳. 机器视觉技术在种子纯度检验中的应用[J]. 农业机械学报，2003，34（5）：161-163.

[38]Andrade-Sanchez P，Gore M A，Heun J T，et al. Development and evaluation of a field-based high-throughput phenotyping platform[J]. Functional Plant Biology，2014，41（1）：68-79.

[39]Yang W，Duan L，Chen G，et al. Plant phenomics and high-throughput phenotyping：accelerating rice functional genomics using multidisciplinary technologies[J]. Current Opinion in Plant Biology，2013，16（2）：180-187.

[40]Australian plant phenomics facility[EB/OL].[2015-10-10]. http：//www.plantphenomics.org.au.

[41]Sozzani R，Busch W，Spalding E P，et al. Advanced imaging techniques for the study of plant growth and development[J]. Trends in Plant Science，2014，19（5）：304-310.

[42]Paproki A，Sirault X，Berry S，et al. A novel mesh processing based technique for 3D plant analysis[J]. BMC Plant Biology，2012，12（1）：63-75.

[43]Paulus S，Behmann J，Mahlein A K，et al. Low-cost 3D systems：suitable tools for plant phenotyping[J]. Sensors，2014，14（2）：3001-3018.

[44]Li L，Zhang Q，Huang D. A review of imaging techniques for plant phenotyping[J]. Sensors，2014，14（11）：20078-20111.

[45]Golzarian M R，Frick R A，Karthika R，et al. Accurate inference of shoot biomass from high-throughput images of cereal plants[J]. Plant Methods，2011，7（1）：2-12.

[46]Dias P M，Brunel-Muguet S，Duerr C，et al. QTL analysis of seed germination and pre-emergence growth at extreme temperatures in Medicago truncatula[J]. Theoretical and Applied Genetics，2011，122（2）：429-444.

[47]Grift T E，Novais J，Bohn M. High-throughput phenotyping technology for maize roots[J]. Biosyst Eng，2011，110（1），40-48.

[48]Hoyos-Villegas V，Houx J，Singh S，et al. Ground-based digital imaging as a tool to assess soybean growth and yield[J]，Crop Sci，2014，54（4）：1756.

[49]Baker N R. Chlorophyll fluorescence：a probe of photosynthesis in vivo[J]. Annual Review of Plant Biology，2008，59（1）：89-113.

[50]Chaerle L，Hagenbeek D，de Bruyne E，et al. Chlorophyll fluorescence imaging for disease-resistance screening of sugar beet[J]. Plant Cell Tissue and Organ Culture，2007，91（2）：97-106.

[51]Mishra K B，Iannacone R，Petrozza A，et al. Engineered drought tolerance in tomato plants is reflected in chlorophyll fluorescence emission[J]. Plant Science，2012，182（1）：79-86.

[52]Lootens P，Devacht S，Baert J，et al. Evaluation of cold stress of young industrial chicory （Cichorium intybus L.） by chlorophyll a fluorescence imaging. II. Dark relaxation kinetics[J]. Photosynthetica，2011，49（2）：185-194.

[53]Araus J L，Serret M D，Edmeades G O. Phenotyping maize for adaptation to drought[J]. Front Physiol，2012（3）：305-324.

[54]Jones H G，Serraj R，Loveys B R，et al. Thermal infrared imaging of crop canopies for the remote diagnosis and quantification of plant responses to water stress in the field[J]. Funct Plant Biol，2009，36（10/11）：978-989.

[55]Sakamoto T，Shibayama M，Kimura A，et al. Assessment of digital camera-derived vegetation indices in quantitative monitoring of seasonal rice growth[J]. ISPRS Journal of Photogrammetry and Remote Sensing，2011，66（6）：872-882.

[56]Bolon Y T，Haun W J，Xu W W，et al. Phenotypic and genomic analyses of a fast neutron mutant population resource in soybean[J]. Plant Physiol，2011，156（1）：240-253.

[57]Cook J P，McMullen M D，Holland J B，et al. Genetic architecture of maize kernel composition in the nested association mapping and inbred association panels[J]. Plant Physiol，2012，158（2）：824-834.

[58]Huang J，Liao H，Zhu Y，et al. Hyperspectral detection of rice damaged by rice leaf folder （Cnaphalocrocis medinalis）[J]. Comput Electr Agric，2012，82（1），100-107.

[59]Matsuda O，Tanaka A，Fujita T，et al. Hyperspectral imaging techniques for rapid identification of Arabidopsis mutants with altered leaf pigment status[J]. Plant & Cell Physiology，2012，53（6）：1154-1170.

[60]Biskup B，Scharr H，Schurr U，et al. A stereo imaging system for measuring structural parameters of plant canopies[J]. Plant，Cell & Environment，2007，30（10）：1299-1308.

[61]Klose R，Penlington J，Ruckelshausen A. Usability study of 3D time-of-flight cameras for automatic plant phenotyping[J]. Bornimer Agrartech Ber，2009，69：93-105.

[62]Van Der Heijden G，Song Y，Horgan G，et al. SPICY：towards automated phenotyping of large pepper plants in the greenhouse[J]. Functional Plant Biology，2012，39（10/11）：870-877.

[63]Reis J R. Evaluation of phenotyping methods for maize[D]. Urbana：Untversity of Illinois，2013.

[64]Paulus S，Dupuis J，Riedel S，et al. Automated analysis of barley organs using 3D laser scanning：an approach for high throughput phenotyping[J]. Sensors，2014，14（7）：12670-12686.

[65]Fang S Q，Yan X L，Liao H. 3D reconstruction and dynamic modeling of root architecture in situ and its application to crop phosphorus research[J]. Plant Journal for Cell and Molecular Biology，2009，60（6）：1096-1108.

[66]Poorter H，Bühler J，van Dusschoten D，et al. Pot size matters：A meta-analysis of the effects of rooting volume on plant growth[J]. Funct Plant Biol，2012，39（10/11），839-850.

[67]Rascher U，Blossfeld S，Fiorani F，et al. Non-invasive approaches for phenotyping of enhanced performance traits in bean[J]. Functional Plant Biology，2011，38（12）：968-983.

[68]Yang W N，Xu X C，Duan L F，et al. High-throughput measurement of rice tillers using a conveyor equipped with X-ray computed tomography[J]. The Review of Scientific Instruments，2011，82（2）：025102.

[69]Flavel R J，Guppy C N，Tighe M，et al. Non-destructive quantification of cereal Roots in soil using high-resolution X-ray tomography[J]. Journal of Experimental Botany，2012，63（7）：2503-2511.

[70]Karunakaran C，Jayas D，White N. Detection of internal wheat seed infestation by Rhyzopertha dominica using X-ray imaging[J]. J Stored Prod Res，2004，40（5）：507-516.

[71]胡鹏程，郭焱，李保国，等. 基于多视角立体视觉的植株三维重建与精度评估[J]. 农业工程学报，2015，31（11）：209-214.

[72]楊福增，王峥，韩文霆，等. 基于小波变换的红枣裂沟的多尺度边缘检测[J]. 农业工程学报，2005，21（6）：92-95.

[73]张馨，李道亮，杨文柱，等. 高分辨率棉花异性纤维彩色图像的快速分割方法[J]. 农业机械学报，2011，42（1）：159-164，192.

[74]刘镕源，王纪华，杨贵军，等. 冬小麦叶面积指数地面测量方法的比较[J]. 农业工程学报，2011，27（3）：220-224.

[75]陈鼎才，王定成，查金水. 基于机器视觉的现实叶片面积测量方法的研究[J]. 计算机应用，2006，26（5）：1226-1228.

[76]蔡健荣，周小军，李玉良，等. 基于机器视觉自然场景下成熟柑橘识别[J]. 农业工程学报，2008，24（1）：175-178.

[77]喻擎苍，严红滨. 一种基于图像轮廓线的稻种模糊模式识别方法[J]. 农业工程学报，2002，18（1）：150-153.

[78]刁智华，王欢，宋寅卯，等. 复杂背景下棉花病叶害螨图像分割方法[J]. 农业工程学报，2013，29（5）：147-152.

[79]周俊，王明军，邵乔林. 农田图像绿色植物自适应分割方法[J]. 农业工程学报，2013，29（18）：163-170.

[80]贾伟宽，赵德安，阮承治，等. 苹果夜视图像小波变换与独立成分分析融合降噪方法[J]. 农业机械学报，2015，46（9）：9-17.

[81]杨福增，张艳宁，王峥，等. 基于小波变换的Wiener滤波算法去除苹果图像噪声[J].

作者：高宇 高军萍 李寒 郑文刚 张婉明