随笔分类 - 表型组
摘要：植物表型分析越来越依赖于(半)自动化的基于图像的分析工作流程，以提高其准确性和可扩展性。然而，许多现有的解决方案仍然过于复杂，难以重新实现和维护，并对没有大量计算专业知识的用户构成很高的障碍。为了应对这些挑战， 本文提出了PhenoAssistant，一个开创性的人工智能驱动系统，通过直观的自然语言
阅读全文
摘要：遗传增益依赖于选择强度、选择准确性、遗传方差和周期内随时间的相互作用，这些参数与表型数据的质量和数量都有直接关系。传统的表型方法提供的数据有限，这导致后续分析中不确定性增加，决策容易出错，准确性较低。基于高通量表型分析（FHTP）技术可以提供具有高时间维度（多个时间点）和高分辨率的表型数据，与传统的
阅读全文
摘要：及时进行作物产量预测对作物育种意义重大，既能保障粮食安全，又能优化种植策略与资源配置。2024年11月30日，由浙江省农业科学院数字农业研究所的周洪奎及其合作者发表在_Agricultural Systems_期刊上的题为_Yield prediction through UAV-based mul
阅读全文
摘要：高通量表型组和基因组的关联，这种学科交叉性的研究是比较好出文章的，比如华农杨万能老师等早就在水稻发表过类似，但这涉及到不同课题组的联合研究，毕竟术业有专攻，各有所长。 今天分享一篇来自Plant Phenomics的棉花研究。 棉花作为全球最重要的天然纤维作物之一，其重要农艺性状的功能基因组研究
阅读全文
摘要：作物物候是一种重要的生物学表型，主要由作物遗传背景和生长季节气象因子的相互作用决定。物候学可用于预测作物产量和阐明作物对环境变化的响应，因此，准确预测作物物候参数对人类粮食安全具有重要意义。 2023年11月27日，Hiroshi Nakagawa和Satoshi Kawakita等人联合发表在《A
阅读全文
摘要：我们常说，基因组选择（Genomic Selection，GS）优于传统育种中的表型选择（Phenotypic Selection，也简称“PS”，但不同于我们后面要提到的Phenomic Selection），怎么吹都是为了取代传统的表型调查，直接基于预测的结果来选材料。 Phenotypic a
阅读全文
摘要：2024年7月，美国丹佛斯植物科学中心的Katherine M. Murphy等人在Annual Review of Plant Biology发表了题为 Deep Learning in Image-Based Plant Phenotyping 的文章，综述了深度学习技术在植物表型分析中的应用。
阅读全文
摘要：近期，看了不少表型组论文，发现越来越多的高通量表型组相关的学术研究开始往实际育种上面靠拢，这是一个非常好的趋势和现象。 我们之前关注这一块比较少，虽然零星分享过几篇推文，但阅读量都不高，受众群体比较少。比如，之前做过一个合集：高通量表型组在作物育种上的研究与应用合集。但现在它也是育种的重要技术之一，
阅读全文
摘要：计算机视觉智能系统融合了计算机视觉、人工智能和机器学习技术，使机器能够模仿人类的视觉和认知能力做出决策，已广泛融入现代人类生活的各个层面。自 20 世纪后期以来，自动化的视觉系统已革新了各多个行业。鉴于世界人口的增长、可耕地的减少以及劳动力的短缺等问题，农业从业者需要各种信息来做出关于作物管理的决策
阅读全文
摘要：一些文章 基于无人机成像技术的作物育种表型分析综述 Plant Phenomics | 华中农业大学开发了基于无人机平台的大田作物表型数据提取和分析平台 基于无人机的植物育种高通量表型分析系统 Plant Phenomics | 利用表型组学辅助筛选技术开发高效植物育种表型预测因子 韩志国：植物表型
阅读全文
摘要：分享中国农业大学数字农业创新团队马韫韬老师报告。 声明：本文仅用于学习交流，不用于任何商业用途。文中所有转载的图片、音频、视频文件等知识归该权利人所有。如不慎侵犯权益，请后台联络，我们将第一时间删除。 视频（阅读原文跳转）： https://www.bilibili.com/video/BV1zS4
阅读全文
摘要：分享中国农业大学数字农业创新团队马韫韬老师报告。 声明：本文仅用于学习交流，不用于任何商业用途。文中所有转载的图片、音频、视频文件等知识归该权利人所有。如不慎侵犯权益，请后台联络，我们将第一时间删除。 视频（阅读原文跳转）： https://www.bilibili.com/video/BV1zS4
阅读全文
摘要：在作物功能基因组学、数字育种与智慧栽培等的需求牵引下，作物表型组学近年来发展迅速。然而，作物表型组学技术及装备产品的研发与应用缺乏标准规范已成为限制作物表型产业高质量发展的瓶颈问题。 2024年6月，北京市农林科学院信息技术研究中心数字植物北京市重点实验室联合华中农业大学在中国工程院院刊_Engin
阅读全文
摘要：作物模型提出很早，但应用有限。看起来复杂，其实解决的是环境与表型间的关联，可参考前期推文：作物生长模型CropGrow。环境组的复杂，关键在于数据的准确性获取。对于数据分析人员来说，如果不care数据准确性，分析其实很简单的，就是经典的机器学习流程。 这里提供一段伪代码仅供参考。 1. 导库 imp
阅读全文
摘要：北京市农林科学院信息技术研究中心赵春江院士团队联合华中农业大学杨万能教授团队发布在PBJ上的综述文章：Plant microphenotype: from innovative imaging to computational analysis，深入探讨了植物微观表型（microphenotype）
阅读全文
摘要：全球主要可用的高通量表型分析设施列表 参考1 参考2 来源：赵春江，植物表型组学大数据及其研究进展 参考3 来源：High-Throughput Phenotyping: A Platform to Accelerate Crop Improvement
阅读全文
摘要：摘要：为探究我国智慧农业未来发展的目标、任务与政策，本文基于系统工程学视角，阐释了智慧农业的概念与内涵，介绍了国外智慧农业相关战略布局与行动计划，分析了我国智慧农业发展现状、特点以及与国际上的差距，提出了我国智慧农业未来发展目标、重点任务与政策建议。美、德、英、日等国在农业传感器、农业大数据智能、农
阅读全文
摘要：这篇论文介绍了一种使用YOLO算法进行植物检测和计数的技术，旨在为农业实践提供一种自动化、有效的解决方案。作者通过收集大量的农田照片，并对每张照片中的植物实例进行精确的边界框标注，训练了这个算法。YOLO算法以其实时物体检测能力而闻名，在图像中将输入图像划分为网格，并预测每个网格单元格的边界框和类别
阅读全文
摘要：目录数据采集无人机系统数据预处理图像拼接颜色转换和校正图像分割数据分析图像分析关键技术作物株高提取叶面积指数提取技术植物病害检测技术 基于无人机系统的作物表型分析方法集数据采集、处理和分析于一身，大大缩短和精简了作物表型研究的时间和过程。首先，利用小型无人机在作物种植区域进行图像数据的采集；获取完毕
阅读全文
摘要：目录摘要传统PPIR技术基于深度学习的PPIR技术1.卷积神经网络（Convolutional neural network, CNN）2. 深度置信网络（Deep belief network, DBN）3.循环神经网络（Recurrent neural network, RNN）4. 堆叠自编码
阅读全文
浙公网安备 33010602011771号