友情鏈接：
AgriPheno訂閱號專注于持續更新植物生理生態、植物表型組學和基因組學、基因分型、智能化育種及應用、激光雷達探測技術及數據分析等領域，國內外最新資訊、戰略與政策導讀。本文節選了2019年7月-9月推送的代表性文章，以供大家參閱。
本文的目的是利用DCNN開發一個基于人工智能的香蕉病蟲害檢測系統。研究結果表明，DCNN是一種魯棒性強、易于部署的數字化香蕉病蟲害檢測策略。
本文探討了干旱脅迫下葡萄的生理形態特征是否可以通過非破壞性的RGB和NIR圖像分析技術來確定。
本文提出并驗證了一種基于無人機圖像的野生番茄表型特征和耐鹽性有效評估的方法。
人們對接種AM真菌是否能提高植物活力進行了大量的研究，但這些研究結果卻難以復制，在本文中Rohan Riley博士及其同事試圖找出其原因。
本文以受水分限制的歐洲赤松林為研究對象，評價淺表層土壤中細根功能屬性對長期灌溉引起的土壤水分可利用性增加的響應。調查的細根功能屬性包括根系統功能屬性、細根動態功能屬性、細根構型功能屬性和形態功能屬性。
本研究的目的是利用高通量篩選技術開發一種通過定量評價蒴果性狀來預測煙草種子成熟度的方法。
本文綜述了植物表型系統化、快速化、微創化和低成本化的必要性，討論了其向現代高通量表型的演變、適應高通量表型的性狀、高通量表型與基因組學的整合以及高通量表型在提高育種效率和加快作物品種培育中的意義。
本文提出了一種利用少量圖像測量谷物單葉的方法，并驗證了該方法在高通量研究中的適用性。
對于育種的品質控制與豐收程度，種子的分析顯得越來越重要，尤其對于種子表型研究的課題，從中獲得的信息自然越多越好。快速簡便地獲取基于圖像的測定結果可以提供大量與發芽和發育相關的遺傳特性數據。
本文從表型數據收集、表型分析等方面概述了作物表型組學的研究現狀，介紹了細胞、組織、器官、植株、田間群體等不同水平的作物表型分析方法，討論了表型數據提取、分析和存儲研究中的實際問題。
本文使用AgriPheno?平臺的Scanalyzer 3D和Scanalyzer PL表型分析系統及X-射線根系掃描成像分析系統(RootViz FS)對大豆地上部和地下部的表型進行了分析研究。
本文總結和分析了高光譜技術在種子質量和安全檢驗方面的發展，介紹了該技術在種子分類分級、活性和活力檢測、損傷（缺陷和真菌）檢測、凈度檢測和種子成分測定等方面的能力。
本文研究了近紅外反射光譜測定檫木葉片顏色和葉綠素含量的能力，并將預測結果用于遺傳選擇。
? 玉米GLAI動態的表征：基于無人機多光譜圖像的高通量模型輔助方法
本文提出了一種利用無人機獲取的多光譜圖像來表征玉米綠色葉面積指數（Green Leaf Area Index, GLAI）動態的高通量模型輔助方法。
本文探討了基于高光譜成像的方法對黑麥草化學成分的非侵入性評估的潛力，開發和測試了高光譜成像模型，以預測不同基因型多年生黑麥草的化學成分。
本文提出了一種中等通量的方案，通過定量和高度可重復的方式，以最少的資源投入來表征植物蒸騰對土壤水分減少的動態響應。
? 利用X射線Micro-CT成像技術分析小麥籽粒發育過程中的形態特征
本文證明了非侵入性的X射線Micro-CT成像技術在提取小麥籽粒發育過程中結構信息的適用性。
本文同步利用微流控阻抗流式細胞法、傳統染色法、滅活對照法、花粉萌發測定法測量了不同發育階段、不同熱處理下的花粉活力、發育狀態及萌發能力，并將IFC法測量結果與染色法和萌發法測量結果進行相關性分析。
? AirSurf：結合計算機視覺和深度學習的超大規模航空表型分析與精準農業管理平臺
南京農業大學作物表型組學交叉研究中心的周濟教授聯合英國第二大種植公司G's Growers Limited基于計算機視覺和深度學習開發了一套超大規模航空表型分析與精準農業管理的軟件平臺——AirSurf。
? CropSight：通過物聯網技術對作物生長圖像和各類環境因素進行大數據監控和管理的平臺
本文介紹了周濟博士所在團隊開發的一個通過物聯網技術對作物生長圖像和環境因素進行大數據監控和管理的平臺——CropSight。
本文開發了一種利用無人機獲取的高分辨率RGB圖像估算混合生長階段紅花數量/密度的方法并進行了驗證。
本研究對BRs缺陷突變體pag1的耐旱性進行了詳細評估，以闡明BRS是如何調控棉花抗旱性的。
本文通過比較活性氧積累、抗氧化酶的能力、光化學能力等，研究了干旱脅迫下兩種褪黑素施用方法對玉米幼苗抗氧化系統和光合機制的影響。
近幾年，無人機技術的發展突飛猛進，在各個領域都發揮了很大的作用，無人機遙感在森林資源培育方面也有了越來越廣泛的應用。
放氧光合生物通過氧化PSI反應中心葉綠素P700可以抑制活性氧的產生，P700的氧化伴隨著PSI中的電子流支路（AEF-1）的出現。在這項研究中，我們使用DUAL /KLAS-NIR分光光度計對小麥葉子中的AEF-I進行了分子表征。
? 器官水平的植物表型和生長分析：基于張量的三維點云分類和分割
本文提出了一種新的基于張量的三維植物模型分割算法，該算法將點云分類為與葉和莖相關的點。
? Plant Methods：利用深度學習自動估計水稻抽穗期
本文提出了一種通過識別開花稻穗來快速自動估計水稻抽穗期的方法，該方法基于計算機視覺和深度學習。
本文介紹了基因組學和田間表型組學的現狀，通過下一代人工智能探索多組學大數據整合的新方法和挑戰，并提出了可行的改進途徑。
本文提出了一種基于Chan-Vese模型的水平集方法，用于不同類型植物氣孔的分割和測量。
本文提出了一種利用無人機、多光譜成像和深度學習進行數據采集和圖像處理的技術。
LemnaTec GmbH公司經過兩個月的企業重組，正式成為國際光電子行業巨頭Nynomic AG的新子公司，以第七支柱整合到該集團中，使得LemnaTec的業務運營將進入一個新的高增長時期。
<span style="font-size: 14px; color: rgb(51, 51, 51); font-family: mp-quote, -apple-system-font, BlinkMacSystemFont, "Helvetica Neue", "PingFang SC"
