99爱免费_精品一区二区无码AV_欧美屁股xxxxx_日批视频国产_AV天堂亚洲区无码先锋影音_特黄A又粗又大又黄又爽A片

利用x射線計算機斷層成像技術測定小麥穗粒結構和籽粒性狀2024/10/25

小麥穗部結構是決定小麥產量的重要因素，對穗部形態特征的詳細研究有助于解釋小麥產量以及不同農藝學和遺傳學的影響。然而，穗形特征的量化是非常有限的，因為它依賴耗時的手工測量。沿著MarisWidgeon（左）和Siskin（右）的穗的小麥小穗分布的三維可視化。同一小穗的谷物以相同的顏色顯示。數字表示小穗的順序是從小穗的底部到頂部本研究利用X射線計算機斷層掃描成像技術，提出了一種基于歐氏距離和相對位置對小麥籽粒進行聚類，從而高效檢測小麥穗和組成小穗三維結構的方法。以兩個商業小麥品種為例，一個是老麥Ma

轉載科學網： 表型組學技術：精準挖掘玉米抗旱基因2024/10/25

作者：李晨來源：中國科學報發布時間：2021/7/138:20:05表型組學技術：精準挖掘玉米抗旱基因隨著測序技術普及和待測材料的規模化，傳統的干旱表型性狀獲取手段已經不能滿足植物抗逆基因組學研究的需求，嚴重阻礙玉米抗旱資源的挖掘。近年來，以智能化、高通量、動態無損測量為主要特征的表型組學技術迅猛發展，使得多時空多尺度表型檢測成為可能，可實現作物全生育期表型動態精準鑒定。近日，《基因組生物學》在線發表了華中農業大學作物遺傳改良國家重點實驗室和湖北省洪山實驗室教授代明球與楊團隊的研究成果。他們借助

基于圖像的花卉品種識別的度量學習2024/10/25

近年來，通過深度學習對植物表型的研究受到越來越多的關注，在植物育種領域取得了令人矚目的進展。在植物表型分類和識別任務領域，深度學習極其依賴于大量的訓練數據來提取和識別目標特征。然而，對于一些品種數量龐大的花卉品種識別任務，傳統的深度學習方法很難在有限的樣本數據下取得較好的識別效果。為此，提出了一種基于度量學習的花卉品種識別方法。Oxford102Flowers數據集中的示例圖像在分類網絡中加入中心丟失，使類間樣本分散，類內樣本緊湊，并使用ResNet18、ResNet50和DenseNet121

Genome Biology | 華中農業大學團隊研發高通量表型組新技術揭示玉米抗旱遺傳機制2024/10/25

2021年06月24日，國際學術期刊GenomeBiology《基因組生物學》在線發表了華中農業大學作物遺傳改良國家重點實驗室和湖北省洪山實驗室代明球教授與楊教授為通訊作者的題為“Usinghigh-throughputmultipleopticalphenotypingtodecipherthegeneticarchitectureofmaizedroughttolerance”的研究論文。該研究基于華中農業大學高通量作物表型平臺，結合高光譜、微型CT、RGB多光學成像技術對368份玉米自然群

甘蔗莖稈品質的近紅外光譜高通量表型分析2024/10/25

甘蔗是一種以莖稈為收獲器官的重要經濟作物。提高甘蔗莖稈品質是提高甘蔗產量的有效途徑。然而，由于缺乏有效的甘蔗種質資源系統評價方法，極大地限制了甘蔗莖稈品質的提高。本研究旨在建立一種高通量甘蔗莖稈品質表型的系統近紅外光譜(NIRS)分析方法，從而為甘蔗種質資源的精確評價提供一種可行的解決方案。用于甘蔗中糖含量測定的高效陰離子色譜法。A甘蔗中糖分測定色譜圖；B不同濃度標準混合物的色譜圖；C標準曲線；D不同批次甘蔗的糖分測定甘蔗樣品的NIRS吸收光譜的變化。新鮮樣品(A)和干燥樣品(C)的原始光譜；新

PhenoImage：一個用于植物圖像分析的開源圖形用戶界面2024/10/25

高通量基因分型與分子育種方法相結合，大大加快了作物改良計劃。最近，改進的植物表型方法導致了從人工測量到自動化平臺的轉變，并提高了可擴展性和分辨率。在開發來自高通量表型(HTP)平臺的成像數據集的大規模下游處理方面，也付出了相當大的努力。然而，大多數可用的工具都需要一些編程技巧。PhenoImage使用的不同特征的表示。在選擇感興趣的區域之后，從原始圖像導出裁剪圖像。二進制圖像是植物像素的遮罩，其中植物像素被設置為1，背景被設置為0。分割的圖像表示來自背景的分割的植物像素。以淺藍色顯示的邊界框是基

主動學習對基于圖像的植物表型有何作用？2024/10/23

深度學習模型已經成功地應用于各種基于圖像的植物表型應用，包括疾病檢測和分類。然而，有監督的深度學習模型的成功部署需要大量的標記數據，由于固有的復雜性，這在植物科學(和大多數生物學)領域是一個重大挑戰。具體來說，數據注釋是昂貴的、費力的、耗時的，并且需要用于表型任務的領域專業知識，尤其是對于疾病。為了克服這一挑戰，已經提出了主動學習算法來減少深度學習模型所需的標記量，以實現良好的預測性能。在大豆葉子上收集的九類數據（八類應激數據和一類健康數據），其中包括個數據集主動學習方法通過使用采集函數自適應地

EasyDCP：一種經濟、高通量的3D植物表型性狀測量工具2024/10/21

高通量3D表型分析是一個迅速崛起的領域，在植物個體測量中有著廣泛的應用。盡管如此，由于資金和后勤的限制，高通量植物表型分析很少用于生態學研究。EasyDCP的整體工作流程。(a)必須對每組植物進行成像，并且必須為EasyDCP準備圖像和配置文件。(b)EasyDCP_Creation對所有圖像集執行順序處理，為每組植物創建一個3D點云。(c)EasyDCP_Analysis對每個三維點云進行分類、分割和計算，以測量植物性狀，包括株高和投影葉面積。作者介紹了EasyDCP，這是一種使用數碼相機從集

利用無人機圖像的機器學習預測番茄生物量和產量2024/10/21

本項研究的目的是雙重的，首先從植物高度(PH)和植被指數(VI)圖中確定預測番茄產量的重要變量。這些地圖來自無人機(UAV)拍攝的圖像。其次，使用選定的變量集，檢驗多機器學習算法對番茄鮮枝質量(SM)、果實重量(FW)和果實數量(FN)的預測準確性。為了實現目標，無人機在2020年番茄生長季節的十天內收集了超高分辨率RGB和多光譜圖像。從這些圖像中，作者提取了756個總變量，包括每種植物的一階(如平均值、標準差、偏度、范圍和值)和二階(如灰度共生矩陣特征和PH和VIs的生長率)統計數據。使用幾種

Pheno Mapper：用于可視化探索表型數據的交互式工具箱2024/10/21

收集現場數據的高通量技術使得在生命科學的幾個分支進行大規模觀測成為可能。收集的數據范圍可以從分子水平(基因型)到生理(表型特征)和環境觀察(例如天氣、土壤條件)。這些大量的數據被統稱為表型學數據，代表了潛在生物系統動力學的關鍵科學知識的寶庫。然而，由于這些復雜數據集的多維性和對其復雜結構的先驗知識的缺乏，從這些復雜的數據集中提取信息和見解仍然是一項重大挑戰。比較Hippo-X（HX）與PhenoMapper的特征。藍色表示“是”（Y），粉紅色表示“不”（N）。在本文中，作者介紹了Pheno-Ma

使用成像、生理和分子工具在缺水條件下對馬鈴薯進行表型分析的非侵入性方法2024/10/21

干旱是變暖的主要后果，對農業產生負面影響。馬鈴薯是一種對干旱敏感的作物，塊莖生長和干物質含量都可能受到影響。此外，水分不足還會引起生理紊亂，如玻璃狀塊莖和內部銹斑。馬鈴薯植物對干旱的反應是復雜的，可能受到品種類型、氣候和土壤條件以及生長過程中水分脅迫發生點的影響。植物的適應性反應特征是一個主要的表型挑戰。因此，需要發展非侵入性分析技術來改善表型。水分脅迫對表型參數的影響。進化以拍攝后出現天數(DASE)來衡量：a、b是來自俯視相機的外殼面積和投影面積(葉子覆蓋范圍)；c、d是來自側視相機的外殼面

綜述：拉曼光譜能夠對植物進行表型分析和營養價值評估2024/10/21

人類必須提高糧食產量，來滿足到2050年預計將達到97億的世界人口的需要。這些糧食需求可以通過實施農業創新技術來滿足。這種變革性的農業概念，也稱為數字農業，旨在在不增加田地足跡的情況下限度地提高作物產量，同時限度地減少農業對環境的影響。拉曼光譜儀的示意圖越來越多的證據表明，拉曼光譜是一種非侵入性、非破壞性和基于激光的分析方法，可用于：(1)檢測植物病害，(2)非生物脅迫，以及(3)在育種計劃中實現植物的無標記表型和數字選擇。在這篇綜述中，作者批判性地討論了利用拉曼光譜對植物物種及其變種進行確證性

向日葵根上 Orobanche cumana 結節自動表型分析的圖像分析2024/10/21

寄生植物Orobanchecumana是歐洲向日葵作物最重要的威脅之一。已開發出抗性向日葵品種，但新的O.cumana品種已經進化并克服了基因滲入的抗性基因，導致反復需要新的抗性方法。篩選抗性需要成千上萬的向日葵植株對不同的O.culana小種進行表型分析。大多數表型實驗都是在相互作用后期的田間進行的，需要時間和空間。在受控條件下的快速表型篩選方法將需要更少的空間，并且允許篩選許多向日葵基因型的抗性。作者的研究提出了向日葵/O的表型分析工具。cumana在受控條件下的相互作用，通過圖像分析在相互

基于UAS的植物表型研究和育種應用2024/10/20

無人駕駛飛機系統（UAS）是植物表型分析的一個特別強大的工具，因為合理的采購和部署成本，易于和靈活的控制和操作，能夠重新配置傳感器有效載荷，以多樣化的傳感，并能夠無縫地融入更大的連接表型網絡。這些優勢擴大了基于UAS的植物表型方法在研究和育種應用中的使用。跨表型尺度、傳感水平和地面采樣距離(GSD)的UAS。圖像僅用于說明目的，并非按比例繪制。本文回顧了基于UAS表型分析平臺的數據部署、收集、管理、存儲和分析的進展。作者討論緊迫的技術挑戰，確定了植物研究界應該意識到的基于UAS的表型分析的未來趨

KAT4IA: K-Means輔助訓練用于大田植物表型的圖像分析2024/10/20

高通量表型能夠大規模有效地收集植物性狀數據。一個例子是在作物生長季節的關鍵階段使用成像系統。雖然生成的圖像為植物表型的統計分析提供了豐富的數據，但需要進行性狀提取的圖像處理作為先決條件。目前的特征提取方法主要是基于人類標記數據的監督學習或人類標記數據與非監督數據混合的半監督學習。不幸的是，準備足夠大的訓練數據既費時又費力。KAT4IA圖。從左上方順時針到左下方的子圖說明了從原始RGB圖像到擬合生長曲線的算法工作流程。作者描述了一個自監督管道(KAT4IA)，它在溫室圖像上使用K均值聚類來構建訓練

利用無人機(UAV)遙感估算不同水稻品種整個生長季的葉面積指數2024/10/20

水稻是重要的糧食作物之一。葉面積指數（LAI）的準確動態監測為評價水稻生長和產量提供了重要信息。湖北鄂州48個水稻品種研究區本研究探索了一種簡單的方法，通過無人機成像在整個生長季節遠程估計各種水稻品種的葉面積指數。在研究地點種植了48種不同的水稻品種，每周進行一次田間活動。對于每個活動，從12波段無人機圖像獲得的冠層反射率計算幾個廣泛使用的植被指數，從無人機RGB圖像獲得冠層高度，通過植物取樣破壞性地測量葉面積指數。研究地點在整個生長季節拍攝的多光譜圖像(顯示了標準的假彩色合成圖像)結果表明，水

利用無人機圖像和深度學習鑒定大豆對洪水脅迫的反應2024/10/20

大豆對洪水脅迫很敏感，可能導致種子質量差和產量顯著下降。通過育種計劃培育耐洪澇品種，可以維持洪澇條件下的大豆產量。傳統上，大豆在田間條件下對水浸的耐受性是通過對水浸壓力造成的枝條損傷/損害進行視覺評級來評估的，這是一項勞動密集型工作，并且容易受到人為錯誤的影響。田間試驗。(a）測試場地位置；（b）現場實驗區域的圖示。近年來，田間高通量表型技術的發展在作物性狀測定和對非生物和生物脅迫的響應檢測方面顯示出巨大的潛力。當大豆表現出明顯的傷害癥狀時，育種者對724個大豆育種地的水淹傷害評分（FIS）進行

基于多光譜航空影像的大豆短柔毛分類2024/10/20

大豆短柔毛的準確測定對植物育種計劃和品種登記至關重要。目前，大豆短柔毛是通過視覺分類的，這是一項勞動密集型和耗時的活動。此外，三類表型（黃褐色、淺黃褐色和灰色）可能難以從視覺上區分，尤其是經常出現黃褐色錯誤分類的淺黃褐色類別。本研究的目的是解決植物育種工作流程中的吞吐量和準確性問題，開發一套區分短柔毛類別的指標，并測試機器學習(ML)分類方法。2019年10月15日，在加拿大安大略省圭爾夫市圭爾夫大學埃洛拉研究站，收獲成熟時(R8)大豆地塊(參考試驗)的真彩色航拍圖，顯示了短柔毛顏色的變化。G灰

基于葉綠素熒光圖像的高通量玉米圖像分割與性狀提取2024/10/20

植物分割和單個器官的特征提取是高通量表型(HTP)操作中的兩個關鍵挑戰。為了應對這一挑戰，普渡大學的AgAlumniSeedPhenotypingFacility(AAPF)利用葉綠素熒光圖像(CFIs)來實現對不同物種、年齡或顏色的植物進行一致且高效的自動分割。此外，還開發了一系列的圖像分析程序，以便于對關鍵玉米植株性狀進行定量測量。概念驗證實驗設計實驗有兩個處理：飽和和干旱。它還使用了兩種不同尺寸的花盆（圖像比例為1/12）通過進行概念驗證實驗，驗證了提取的性狀在評價玉米植株干旱脅迫反應中的

DeepCob：使用深度學習對玉米穗軸的幾何形態進行精確和高通量分析，并應用于基因庫表型組學2024/10/20

玉米穗軸是玉米產量的重要組成部分，在本地品種和現代品種中表現出高度的大小、形狀和顏色多樣性。該文章開發了一系列表型方法來實現高通量測量玉米穗軸的相關性狀。近年來，卷積神經網絡(CNN)等深度學習方法的快速發展，為高通量表型分析提供的新方法與思路。該文使用來自秘魯的本地玉米地方品種制作了大型的多樣圖像數據集，并將基于深度學習的圖像分割方法與經典的圖像處理方法進行了分析比較。方法處理流程：使用MaskR-CNN網絡分割出標尺的掩膜以及玉米穗軸的掩膜。通過圖像處理算法提取玉米穗軸的長度、直徑、平均RG