友情鏈接：
本研究以加拿大一枝黃花為對象，對20株植株進行3個月室內培養，每月利用地基激光雷達掃描系統對實驗植株進行多站掃描和點云融合，實現對植株生長過程的連續觀測。
本文旨在介紹基于深度學習的植物表型研究領域的進展以及有待進一步研究的問題。
本文提出了一種基于機器學習的方法，該方法使用了具有候選區域的最新卷積神經網絡，用于各種種子發芽實驗的自動化和高通量評估。
隨著多種植物全基因組測序的完成, 科研人員越來越認識到植物表型研究的重要性, 并將其提升至“組學”的高度。植物表型組學是研究植物生長、表現和組成的科學, 能夠有效追蹤基因型、環境因素和表型之間的聯系, 是突破未來作物學研究和應用的關鍵領域。本文介紹了植物表型采集分析經歷的從手工測量計數的初始階段到特定測量工具的輔助階段再到高通量表型組學3個階段;提出了推動植物表型采集分析發展的3個要素:表型組學研究設施、表型...
地上生物量（above-ground biomass, AGB）是小麥育種中極具開發潛力的性狀，與冠層高度（canopy height, CH）密切相關。然而，在育種計劃中收集AGB和CH數據通常是費力和破壞性的，并且容易出現評估誤差。因此，對育種家來說，測量這些性狀很少是優先考慮的，特別是在育種選擇的早期階段。激光雷達（LiDAR）已被證明是一種能夠從田間試驗中收集小麥三維數據的傳感器，并且有可能適合于小麥AGB和CH的客觀、無損、...
