对温室作物生物量、产量、品质等信息的无损监测，生长发育动态、果实成熟过程的精准获取，对于制定精准的温室作物水肥管理策略，和温室产业的提质增效均具有重要意义。

传统的作物性状测定主要通过田间破坏性取样进行，费时费力且容易出现较大的人为误差。近年来，随着信息技术的发展，特别是植物表型监测技术的发展，越来越多的温室实现了对作物主要环境要素、生长因子、表型参数的全生命周期动态监测与提取，并通过对提取信息的有效分析，提高了温室作物管理的标准化、规范化水平。

近日，Plant Phenomics 在线发表了沈阳农业大学水利学院魏新光、吴琳琳、葛东、姚名泽和白义奎等人题为Prediction of the Maturity of Greenhouse Grapes Based on Imaging Technology 的研究论文，提出了基于表型技术的预测东北寒区日光温室内葡萄成熟度的有效方法。

葡萄的表皮颜色与其果实品质、成熟度密切相关，不同类型葡萄需要根据其贮藏方式与时长、加工与食用方式等的差异确定黄金采收期。而该时期的精准确定同样依赖于对同期葡萄表皮颜色、形状等信息的精准识别。本研究基于植物表型监测技术，选择玫瑰香（粉红色）、醉金香（黄绿色）、香悦（黑紫色）等三种成熟期表皮颜色（色相）差异较大的温室鲜食葡萄品种，对其生育期内葡萄串的果皮颜色、果串、果粒规格等表型信息进行动态监测（Fig. 1），并根据同步监测的葡萄串感官指标和品质指标的变化特征，定义了各品种葡萄的成熟度系数Mc，明确了葡萄成熟度系数与葡萄感官指标及品质指标的定量关系，以及花后周期与成熟度的响应曲线（Fig. 2）。利用葡萄表皮RGB颜色特征值和HSI色彩特征值，构建基于反向传播神经网络(BPNN)的温室葡萄成熟度组合预测模型。利用该模型对3种葡萄成熟度在0.7~1（七成熟~完全成熟）阶段的预测精度重点分析，利用混淆矩阵对各品种在此时期的成熟度判定精度进行判别（Fig. 3），最终确定了温室条件下不同表皮颜色葡萄最适宜的成熟度预测模型。与传统的果实成熟度预测方法相比较，该研究提出的方法有助于实现对葡萄转色成熟期成熟度的高效、无损预测，可以为日光温室葡萄水肥管理以及黄金采摘时期的确定提供理论依据。

Fig.1 Flow chart of grape skin color feature value combined with back-propagation neural network (BPNN) for predicting grape maturity.

Fig. 2(a) Dynamic changes in maturity coefficients of the three varieties at different postflowering weeks(PFW).(b) Relationships between maturity images and maturity coefficients of grape varieties.

Fig.3Measured versus predicted grape maturity of three varieties during the growing season

本研究得到了辽宁省自然科学基金（2021-MS-233）、辽宁省重点研发项目（2021JH2/10200022）和中国博士后科学基金（2019M661128）的联合资助，特此感谢。

——推荐阅读——

Evaluating and Mapping Grape Color Using Image-Based Phenotyping 

https://doi.org/10.34133/2020/8086309

Plant Phenomics | 使用基于图像的表型分析法评估和映射葡萄颜色

Generalized Linear Model with Elastic Net Regularization and Convolutional Neural Network for Evaluating Aphanomyces Root Rot Severity in Lentil 

https://doi.org/10.34133/2020/2393062

Plant Phenomics | 利用弹性网正则化或卷积神经网络构建评估扁豆丝囊菌根腐病的广义线性模型