Poplar-Studio: skeleton-guided reconstruction of editable 3D poplar seedling models from multi-view point clouds
提出Poplar-Studio框架，从多视角点云重建可编辑的杨树幼苗三维结构模型。
← 主题
#表型分析
Advanced olive leaf area prediction using machine learning methods
用机器学习基于叶长宽非破坏性预测30个橄榄品种叶面积，PSO优化ANN精度最高。
基于三维点云的家畜体尺表型智能测定技术研究进展
系统梳理基于三维点云的家畜体尺非接触测量技术研究进展。
Mushroom cap phenotype extraction based on YOLOv11-SMD
提出YOLOv11-SMD模型，用于蘑菇菌盖表型自动提取。
PAT: An Image Analysis Tool for Automated Scoring of Pollen in Alexander-Stained Anthers
开发了花粉分析工具PAT，自动化评估花粉活力，并用于发现新的减数分裂抑制因子。
Combining 3D-multispectral and hyperspectral imaging to identify environmental stress treatments imposed during plant growth
结合3D多光谱和2D高光谱成像及机器学习，识别植物生长期间的环境胁迫处理。
GROW: One-Time Training for All Grains: Open-Set Grain Recognition and Quantitative Analysis
Qihe Su、Mengyu Sun、Yuxi Ke、Zhuoyan Jiang、Wanneng Yang、Chenglong Huang、Ziyuan Yang于arXiv(2026-08-10)发表预印本。GROW是面向开放集谷物识别与定量分析的统一框架,无需重新训练即可识别新品种并完成定量分析。方法上,GROW首先进行类无关谷物定位,将混合谷物图像转换为独立实例用于品种计数和表型测量,然后将视觉嵌入与形态描述符融合为谷物描述符存储在可扩展的GrainBank中,查询谷物通过秩相似度加权top-k检索识别,新品种通过追加描述符纳入而无需更新部署模型。在渐进式品种扩展、不同谷物密度、背景域偏移场景下展现良好的可扩展性、鲁棒性和适应性,与联合重训练相比,GROW将平均类别注册时间从4153秒降至仅39秒,同时保持有竞争力的识别性能。