农业人工智能 作物表型

综述柔性可穿戴传感器在智慧农业中的传感机制、作物表型监测与采收应用。

提出MSO-Det多级协同优化框架，用于田间场景下鲁棒的穗部目标检测。

Long-term dynamic root monitoring based on classification fusion and attention mechanism。Biosystems Engineering

提出CBAM-UNet分割与相机配置优化结合的水稻多视角三维重建流程，兼顾精度、完整性与效率。

用ViT和迁移学习对可可叶D、E期进行可解释分类，准确率达97%。

提出Rice-STNet时空深度学习框架，用多时相无人机RGB影像估算水稻株高。

9-16 山东省农业科学院举办人工智能专题舜耕论坛暨培训交流会，落实院党委"人工智能驱动科技创新智慧引领高质量发展"专题活动部署，促进人工智能与各学科创新团队重点攻关方向深度耦合。论坛特邀浙江大学数字农业农村研究中心主任何勇教授作专题报告，围绕植物表型采集解析、智慧农业技术装备前沿领域，从细胞/组织器官/表型获取装备三个层级系统阐释作物表型智能感知技术创新实践，介绍该技术在水稻/草莓/茶叶等作物的示范应用。院长李向东要求各创新团队推动人工智能与作物栽培、畜禽育种、病虫害防控、种质资源鉴定、农产品质量安全等领域深度融合。会议设主会场和视频分会场，全院科研人员代表 500 余人参会。

用RGB卷积神经网络自动分类豇豆叶片可见脉纹，区分健康与结构胁迫样本。

提出多模态持续学习框架MCLC-NET用于叶片计数，并发布真实多模态数据集MMLC。

通过长期定位试验研究氮肥后效对冬小麦-夏玉米轮作系统土壤-作物协调及微生物功能的调控机制。

评估7种网格重建流程在作物表型三维数字化中的保真度与一致性。

提出一种抗遮挡和光照变化的番茄成熟度检测方法。

提出OneGrow模型，联合生成小麦时序图像与器官分割掩码。

构建黄瓜早期生长监测平台，用YOLO模型自动量化发芽与子叶面积，并评估ZnO-NPs缓解盐胁迫效果。

用二维光谱表示与多门混合专家多任务学习预测植物叶片功能性状。

提出PlantC2USeg，通过跨尺度一致性预训练实现少样本植物点云分割。

中国农业大学土地科学与技术学院马韫韬教授团队围绕棉花关键生育时期的表型智能识别与量化分析，在 Computers and Electronics in Agriculture、Plant Phenomics 和 Precision Agriculture 等国际权威期刊上连续发表三篇研究论文，题目分别为 MS-R outperforms RGB: Lightweight CYOLO-BiCNet enables efficient detection and storage optimization of cotton flowers，Scalable phenotyping and yield estimation via stability index and single-plant variability using a vision-based large model framework 和 Assessing Cotton Boll-opening Concentration for Harvest Decision-making via Foundation Model-enhanced Cross-scale Phenotyping。

比较葡萄叶片上下表面颜色特征，发现下表面更能区分品种。

提出 PhenoStream 网络基础设施，自动化航空影像作物性状提取全流程。