检索结果-维普期刊中文期刊服务平台

机器学习方法在植物表型分析中的应用研究现状: 1; 作者管思彤张兆旭 +5 位作者林一鸣苏培森黄思罗孟宪勇柳平增颜君《山东农业科学》北大核心 2025年第6期158-170,共13页; 植物表型是基因型与环境相互作用的产物,是植物生命活动的外在表现,涵盖了植物的形态、生理、生化等多层次和多维度特征。植物表型研究是育种的关键环节,对于揭示植物生命活动的相关机制,培育高产、优质、高效的作物品种以及实现农业生... 展开更多; 关键词植物表型分析机器学习作物改良产量预测; 在线阅读下载PDF 职称材料

叶绿素荧光技术在植物表型分析的研究进展被引量：50: 2; 作者岑海燕姚洁妮 +3 位作者翁海勇徐海霞朱月明何勇《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2018年第12期3773-3779,共7页; 作物优良品种选育是实现作物优质高产的关键。现代育种方法需要获取植株的大量表型信息,最终选育出性状稳定的优良品种。近年来,高通量植物表型分析技术因其快速、无损、高效等优势,为筛选优良作物品种提供了技术保障,已成为农学、工程... 展开更多; 关键词叶绿素荧光技术植物表型分析生物胁迫非生物胁迫作物育种; 在线阅读下载PDF 职称材料

基于无人机高通量植物表型大数据分析及应用研究综述被引量：6: 3; 作者袁培森薛铭家 +2 位作者熊迎军翟肇裕徐焕良《农业大数据学报》 2021年第3期62-75,共14页; 植物表型是指基因和环境因素决定或影响的作物物理、生理、生化特征和性状。准确和快速的获取植物在各种不同环境条件下的表型信息,从而挖掘其基因组的遗传和表现规律,可有效推动有关基因组与表型信息关联性研究。无人机高通量植物表型... 展开更多; 关键词表型大数据无人机高通量植物表型分析; 在线阅读下载PDF 职称材料

基于移动Kinect的低成本植物三维结构表型分析: 4; 作者孟祥爽林沂《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2020年第8期2352-2357,共6页; 表型分析对于理解植物基因型与环境之间的关系非常重要,开发高效且成本低的相关技术是精准农业等领域的一项典型需求。其中,代表性的RGB-D设备Kinect已用于植物表型分析,但其应用潜力尚未被充分挖掘。本文首先梳理比较了Kinect表征三维... 展开更多; 关键词植物表型分析点云结构参数提取 KINECT LIDAR; 在线阅读下载PDF 职称材料

题名机器学习方法在植物表型分析中的应用研究现状: 1; 作者管思彤张兆旭林一鸣苏培森黄思罗孟宪勇柳平增颜君; 机构山东农业大学信息科学与工程学院/农业农村部黄淮海智慧农业技术重点实验室聊城大学农学与农业工程学院华中科技大学生命科学与技术学院; 出处《山东农业科学》北大核心 2025年第6期158-170,共13页; 基金山东省高等学校“青创人才引育计划”项目(基于机器学习的农业生物信息学创新团队) 泰安市2019年科学技术发展计划(引导计划)项目(2019NS080)。; 文摘植物表型是基因型与环境相互作用的产物,是植物生命活动的外在表现,涵盖了植物的形态、生理、生化等多层次和多维度特征。植物表型研究是育种的关键环节,对于揭示植物生命活动的相关机制,培育高产、优质、高效的作物品种以及实现农业生产的精准管理具有重要意义。随着高通量植物表型采集技术的发展和应用,植物表型数据呈现出高维、多源、异质、动态等特点,为植物表型分析带来了新的机遇和挑战。机器学习作为一种强大的数据挖掘和知识发现工具,能够从复杂的表型数据中提取有用的特征和模式,为植物表型研究提供了新的思路和方法。本文系统综述了机器学习方法在植物表型研究中的应用和进展,重点介绍了机器学习方法在植物形态结构、胁迫抗性、生化组分等方面分析中的应用,以及在作物改良和产量预测等方面的应用,并对机器学习方法在植物表型研究中存在的问题和未来的发展方向进行了讨论和展望,旨在为今后植物表型研究提供有益的参考和启示。; 关键词植物表型分析机器学习作物改良产量预测; Keywords Plant phenotypic analysis Machine learning Crop improvement Yield prediction; 分类号 S126 [农业科学—农业基础科学] Q94 [生物学—植物学]; 在线阅读下载PDF 职称材料

题名叶绿素荧光技术在植物表型分析的研究进展被引量：50: 2; 作者岑海燕姚洁妮翁海勇徐海霞朱月明何勇; 机构浙江大学生物系统工程与食品科学学院农业农村部光谱检测重点实验室; 出处《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2018年第12期3773-3779,共7页; 基金浙江省重点研发计划项目(2015C02007) 国家重点研发计划课题(2016YFD0200603)资助; 文摘作物优良品种选育是实现作物优质高产的关键。现代育种方法需要获取植株的大量表型信息,最终选育出性状稳定的优良品种。近年来,高通量植物表型分析技术因其快速、无损、高效等优势,为筛选优良作物品种提供了技术保障,已成为农学、工程、计算机科学等多学科交叉研究的热点。其中,叶绿素荧光技术作为植物光合作用的探针,是研究植物逆境胁迫表型的有力工具之一,能够实现植物生物与非生物胁迫的高效分析,加快作物优良性状的筛选。该文旨在阐述叶绿素荧光技术的研究进展和发展趋势,主要介绍了叶绿素荧光技术的基本原理和成像系统、叶绿素荧光参数的分析和处理方法,总结了在植物表型分析研究中的应用情况,探讨了该技术目前存在的问题和改进的方法,进一步展望了叶绿素荧光技术在植物表型分析中的应用前景。; 关键词叶绿素荧光技术植物表型分析生物胁迫非生物胁迫作物育种; Keywords Chlorophyll fluorescence technique Plant phenotyping Biotic stress Abiotic stress Plant breeding; 分类号 O657.3 [理学—分析化学]; 在线阅读下载PDF 职称材料

题名基于无人机高通量植物表型大数据分析及应用研究综述被引量：6: 3; 作者袁培森薛铭家熊迎军翟肇裕徐焕良; 机构南京农业大学人工智能学院马德里理工大学技术工程和电信系统高级学院; 出处《农业大数据学报》 2021年第3期62-75,共14页; 基金国家自然科学基金项目(61502236) 中央高校基本科研业务费专项资金项目(KJQN201651) 大学生创新创业训练专项计划项目(S20190025)。; 文摘植物表型是指基因和环境因素决定或影响的作物物理、生理、生化特征和性状。准确和快速的获取植物在各种不同环境条件下的表型信息,从而挖掘其基因组的遗传和表现规律,可有效推动有关基因组与表型信息关联性研究。无人机高通量植物表型平台凭借无人机机动灵活的特点,适合于农作物田间环境中的植物表型数据获取,具有数据获取效率高和成本低等优势,借助于图像、高光谱、激光雷达等先进传感器技术,为高效获取各类植物表型数据提供了可行的途径;与此同时,快速发展的大数据技术和智能数据分析技术为无人机所获取的植物表型图像提供有效的分析处理方法和技术。在此背景下,基于无人机平台的高通量植物表型分析,为研究田间作物表型信息提供了重要的方法和工具。本文综述了国内外无人机高通量作物表型大数据分析的最新研究成果,就其研究原理、相关算法、过程、关键技术及应用等进行总结与分析,重点讨论了应用于无人机高通量植物表型大数据分析相关的大数据处理与智能分析技术,重点分析了植物株高获取、叶面积指数、植物病害等典型的表型分析需求,并就其应用前景进行了总结和展望。; 关键词表型大数据无人机高通量植物表型分析; Keywords phenotypic big data unmanned aerial vehicle high-throughput plant phenotyping; 分类号 S-3 [农业科学]; 在线阅读下载PDF 职称材料

题名基于移动Kinect的低成本植物三维结构表型分析: 4; 作者孟祥爽林沂; 机构北京大学地球与空间科学学院; 出处《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心 2020年第8期2352-2357,共6页; 基金国家自然科学基金项目(31670718,31870531)资助。; 文摘表型分析对于理解植物基因型与环境之间的关系非常重要,开发高效且成本低的相关技术是精准农业等领域的一项典型需求。其中,代表性的RGB-D设备Kinect已用于植物表型分析,但其应用潜力尚未被充分挖掘。本文首先梳理比较了Kinect表征三维结构的三种原理方式,即点云基于深度图像(DI)生成,通过运动恢复结构(SfM)从彩色图像获得,以及合并DI和SfM点云生成融合数据(MD),并以FARO X330激光扫描仪获取的基准数据评估三种方式的性能。以植物玉簪为例的分析结果表明,对叶面积的估算DI点云的准确度最高,对叶片圆形度和偏心率的反演MD点云表现最佳,对叶倾角的反演SfM点云的性能最好。三种方式的结果差异源于它们表征不同结构的表现不同,对于叶面积的反演, SfM表征叶片相对不完整,而MD重建叶片的边缘存在不平滑的现象,导致两者精度不足;对于表征叶片的几何特征,通过合并DI和SfM数据生成的MD点云实现了信息增强的效果,使得其表现优于DI和SfM点云;叶倾角对深度测量的准确性更敏感,由于Kinect测量深度过程中通常存在误差,导致DI和MD点云反演精度偏低,而SfM点云仅通过彩色图像生成,因此其表现出反演叶倾角的最佳性能。性能比较与原因分析表明,三种方式对不同的结构特征有不同的适用空间,它们的集成有助于提升Kinect用于植物表型分析的整体性能,由此形成一种基于Kinect的移动表型高效分析技术;此外,提出的叶片几何描绘(LGD)模型可较好拟合叶片轮廓,有助于恢复部分被遮挡叶片的几何形态。提出了一种基于Kinect的低成本但高效的移动型三维植物结构表型分析技术,这对于促进作物监控、农业增产等有基础技术意义。; 关键词植物表型分析点云结构参数提取 KINECT LIDAR; Keywords Plant phenotyping Point cloud Structural parameter extraction Kinect LiDAR; 分类号 TP79 [自动化与计算机技术—检测技术与自动化装置]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	机器学习方法在植物表型分析中的应用研究现状	管思彤张兆旭林一鸣苏培森黄思罗孟宪勇柳平增颜君	《山东农业科学》北大核心	2025	0	在线阅读下载PDF 职称材料
2	叶绿素荧光技术在植物表型分析的研究进展	岑海燕姚洁妮翁海勇徐海霞朱月明何勇	《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心	2018	50	在线阅读下载PDF 职称材料
3	基于无人机高通量植物表型大数据分析及应用研究综述	袁培森薛铭家熊迎军翟肇裕徐焕良	《农业大数据学报》	2021	6	在线阅读下载PDF 职称材料
4	基于移动Kinect的低成本植物三维结构表型分析	孟祥爽林沂	《光谱学与光谱分析》 SCIE EI CAS CSCD 北大核心	2020	0	在线阅读下载PDF 职称材料