友情链接：
AgriPheno订阅号专注于持续更新植物生理生态、植物表型组学和基因组学、基因分型、智能化育种及应用、激光雷达探测技术及数据分析等领域，国内外最新资讯、战略与政策导读。本文节选了2019年7月-9月推送的代表性文章，以供大家参阅。
本文的目的是利用DCNN开发一个基于人工智能的香蕉病虫害检测系统。研究结果表明，DCNN是一种鲁棒性强、易于部署的数字化香蕉病虫害检测策略。
本文探讨了干旱胁迫下葡萄的生理形态特征是否可以通过非破坏性的RGB和NIR图像分析技术来确定。
本文提出并验证了一种基于无人机图像的野生番茄表型特征和耐盐性有效评估的方法。
人们对接种AM真菌是否能提高植物活力进行了大量的研究，但这些研究结果却难以复制，在本文中Rohan Riley博士及其同事试图找出其原因。
本文以受水分限制的欧洲赤松林为研究对象，评价浅表层土壤中细根功能属性对长期灌溉引起的土壤水分可利用性增加的响应。调查的细根功能属性包括根系统功能属性、细根动态功能属性、细根构型功能属性和形态功能属性。
本研究的目的是利用高通量筛选技术开发一种通过定量评价蒴果性状来预测烟草种子成熟度的方法。
本文综述了植物表型系统化、快速化、微创化和低成本化的必要性，讨论了其向现代高通量表型的演变、适应高通量表型的性状、高通量表型与基因组学的整合以及高通量表型在提高育种效率和加快作物品种培育中的意义。
本文提出了一种利用少量图像测量谷物单叶的方法，并验证了该方法在高通量研究中的适用性。
对于育种的品质控制与丰收程度，种子的分析显得越来越重要，尤其对于种子表型研究的课题，从中获得的信息自然越多越好。快速简便地获取基于图像的测定结果可以提供大量与发芽和发育相关的遗传特性数据。
本文从表型数据收集、表型分析等方面概述了作物表型组学的研究现状，介绍了细胞、组织、器官、植株、田间群体等不同水平的作物表型分析方法，讨论了表型数据提取、分析和存储研究中的实际问题。
本文使用AgriPheno™平台的Scanalyzer 3D和Scanalyzer PL表型分析系统及X-射线根系扫描成像分析系统(RootViz FS)对大豆地上部和地下部的表型进行了分析研究。
本文总结和分析了高光谱技术在种子质量和安全检验方面的发展，介绍了该技术在种子分类分级、活性和活力检测、损伤（缺陷和真菌）检测、净度检测和种子成分测定等方面的能力。
本文研究了近红外反射光谱测定檫木叶片颜色和叶绿素含量的能力，并将预测结果用于遗传选择。
• 玉米GLAI动态的表征：基于无人机多光谱图像的高通量模型辅助方法
本文提出了一种利用无人机获取的多光谱图像来表征玉米绿色叶面积指数（Green Leaf Area Index, GLAI）动态的高通量模型辅助方法。
本文探讨了基于高光谱成像的方法对黑麦草化学成分的非侵入性评估的潜力，开发和测试了高光谱成像模型，以预测不同基因型多年生黑麦草的化学成分。
本文提出了一种中等通量的方案，通过定量和高度可重复的方式，以最少的资源投入来表征植物蒸腾对土壤水分减少的动态响应。
• 利用X射线Micro-CT成像技术分析小麦籽粒发育过程中的形态特征
本文证明了非侵入性的X射线Micro-CT成像技术在提取小麦籽粒发育过程中结构信息的适用性。
本文同步利用微流控阻抗流式细胞法、传统染色法、灭活对照法、花粉萌发测定法测量了不同发育阶段、不同热处理下的花粉活力、发育状态及萌发能力，并将IFC法测量结果与染色法和萌发法测量结果进行相关性分析。
• AirSurf：结合计算机视觉和深度学习的超大规模航空表型分析与精准农业管理平台
南京农业大学作物表型组学交叉研究中心的周济教授联合英国第二大种植公司G's Growers Limited基于计算机视觉和深度学习开发了一套超大规模航空表型分析与精准农业管理的软件平台——AirSurf。
• CropSight：通过物联网技术对作物生长图像和各类环境因素进行大数据监控和管理的平台
本文介绍了周济博士所在团队开发的一个通过物联网技术对作物生长图像和环境因素进行大数据监控和管理的平台——CropSight。
本文开发了一种利用无人机获取的高分辨率RGB图像估算混合生长阶段红花数量/密度的方法并进行了验证。
本研究对BRs缺陷突变体pag1的耐旱性进行了详细评估，以阐明BRS是如何调控棉花抗旱性的。
本文通过比较活性氧积累、抗氧化酶的能力、光化学能力等，研究了干旱胁迫下两种褪黑素施用方法对玉米幼苗抗氧化系统和光合机制的影响。
近几年，无人机技术的发展突飞猛进，在各个领域都发挥了很大的作用，无人机遥感在森林资源培育方面也有了越来越广泛的应用。
放氧光合生物通过氧化PSI反应中心叶绿素P700可以抑制活性氧的产生，P700的氧化伴随着PSI中的电子流支路（AEF-1）的出现。在这项研究中，我们使用DUAL /KLAS-NIR分光光度计对小麦叶子中的AEF-I进行了分子表征。
• 器官水平的植物表型和生长分析：基于张量的三维点云分类和分割
本文提出了一种新的基于张量的三维植物模型分割算法，该算法将点云分类为与叶和茎相关的点。
• Plant Methods：利用深度学习自动估计水稻抽穗期
本文提出了一种通过识别开花稻穗来快速自动估计水稻抽穗期的方法，该方法基于计算机视觉和深度学习。
本文介绍了基因组学和田间表型组学的现状，通过下一代人工智能探索多组学大数据整合的新方法和挑战，并提出了可行的改进途径。
本文提出了一种基于Chan-Vese模型的水平集方法，用于不同类型植物气孔的分割和测量。
本文提出了一种利用无人机、多光谱成像和深度学习进行数据采集和图像处理的技术。
LemnaTec GmbH公司经过两个月的企业重组，正式成为国际光电子行业巨头Nynomic AG的新子公司，以第七支柱整合到该集团中，使得LemnaTec的业务运营将进入一个新的高增长时期。
<span style="font-size: 14px; color: rgb(51, 51, 51); font-family: mp-quote, -apple-system-font, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC"
