一个研究团队使用 Helios 3D 植物建模软件开发了一个辐射传输建模框架，以模拟具有完全解析参考标签的 RGB、多光谱/高光谱、热和深度相机图像。这种创新方法大大减少了对劳动密集型、手动注释数据集的需求。

新的辐射传输建模框架增强了植物表型的深度学习

该框架生成高质量合成图像的能力使得能够有效训练深度学习模型以进行高通量植物表型分析，从而增强作物性状分析，并为推进农业研究和遥感应用提供工具。

远程和近端传感方法的整合有助于对植物系统进行高通量监测，从而全面洞察植物功能。这些技术的进步带来了大量高分辨率图像，但将这些数据与可操作的植物性状联系起来仍存在挑战。目前的方法不足以完成所需的劳动密集型数据注释和多模态数据对齐。

2024 年 5 月 30 日发表在《植物表型学》上的一项研究旨在通过开发一种新颖的 3D 辐射传输建模框架来应对这些挑战。

本研究通过多种SKILL评分对辐射传输模型进行了验证，以评估其模拟物体吸收辐射和反射辐射通量的准确性。不同测试(brfpp_uc_sgl、brfpp_co_sgl、brfop和fabs)的SKILL评分分别为98.00、92.65、97.52和99.98，表明该模型具有较高的精度。

此外，相机校准的 R 2值范围为 0.864 至 0.930，表明有效的失真恢复和颜色校准。使用该模型生成的合成图像(包括 RGB、NIR 和热图像)与真实图像具有很高的视觉相似性，从而证实了该模型能够生成高质量的带注释的植物图像。这些发现验证了该模型在模拟复杂场景方面的有效性，并将其确立为高通量植物表型分析和机器学习模型训练的强大工具。

这项研究的首席研究员 Tong Lei 声称，Helios 提供了一个模拟环境，可以生成具有随机变化的植物和土壤的 3D 几何模型，以及指定或模拟它们的属性和功能。这种方法不同于传统的计算机图形渲染，因为它明确地模拟了辐射传输的物理特性，从而建立了与植物底层生物物理过程的关键联系。

总之，本研究介绍了一种辐射传输建模框架，使用 Helios 3D 软件模拟植物图像，包括 RGB、多光谱、热图像和深度图像，并附有详细注释。该框架减少了手动数据收集的需求，并改进了植物表型的深度学习模型训练。

未来的发展将增强模型灵活性并纳入更复杂的过程，通过对植物性状和生理状态的有效分析来推动高通量表型分析和农业研究。