友情链接：
本研究以加拿大一枝黄花为对象，对20株植株进行3个月室内培养，每月利用地基激光雷达扫描系统对实验植株进行多站扫描和点云融合，实现对植株生长过程的连续观测。
本文旨在介绍基于深度学习的植物表型研究领域的进展以及有待进一步研究的问题。
本文提出了一种基于机器学习的方法，该方法使用了具有候选区域的最新卷积神经网络，用于各种种子发芽实验的自动化和高通量评估。
随着多种植物全基因组测序的完成, 科研人员越来越认识到植物表型研究的重要性, 并将其提升至“组学”的高度。植物表型组学是研究植物生长、表现和组成的科学, 能够有效追踪基因型、环境因素和表型之间的联系, 是突破未来作物学研究和应用的关键领域。本文介绍了植物表型采集分析经历的从手工测量计数的初始阶段到特定测量工具的辅助阶段再到高通量表型组学3个阶段;提出了推动植物表型采集分析发展的3个要素:表型组学研究设施、表型...
地上生物量（above-ground biomass, AGB）是小麦育种中极具开发潜力的性状，与冠层高度（canopy height, CH）密切相关。然而，在育种计划中收集AGB和CH数据通常是费力和破坏性的，并且容易出现评估误差。因此，对育种家来说，测量这些性状很少是优先考虑的，特别是在育种选择的早期阶段。激光雷达（LiDAR）已被证明是一种能够从田间试验中收集小麦三维数据的传感器，并且有可能适合于小麦AGB和CH的客观、无损、...
