2020年4月，Plant Phenomics刊发了美国康奈尔大学姜宇博士和佐治亚大学李长缨教授题为 Convolutional Neural Networks for Image-Based High-Throughput Plant Phenotyping: A Review  的研究论文，本文全面回顾了较近5年使用深度卷积网络进行基于图像的植物表型提取工作，特别是使用不同卷积网络结构用于植物胁迫评测，植物生长和发育，以及采后质量检测。

植物表型被认为是提高育种效率、理解植物环境交互、和管理农业生产系统的关键问题。在过去5年间，基于图像的高通量植物表型方法展现了较大的表型研究潜力。随着大量植物图像数据的采集，我们急需开发鲁棒有效的图像分析方法进行快速准确的表型提取。

图1. 基于图像的植物表型数据处理通路的研究范式

按照使用的相关技术特征，这些研究工作被分为三种类型：图像分类，目标检测，和图像分割。基于这些工作，对于经典的特定植物表型问题总结归纳出一系列当前较先进和合适的图像处理解决方案。同时，本文也提出了关于卷积网络在植物表型应用中的几个未来研究方向。

图2. 基于深度卷积网络的植物/植物器官检测，计数，和定位的关键理念范式

作者介绍：姜宇，论文先进作者，美国佐治亚大学获得工学博士学位，现为美国康奈尔大学农业与生命科学学院助理教授。他领导的实验室（Cyber-Agricultural Intelligence and Robotics Laboratory, CAIR）专注于传感、数据分析、和机器人在农业和生命科学领域中的应用和研究。目前，实验室正在招收博士研究生从事相关研究工作。
李长缨，论文通讯作者，现为美国佐治亚大学工程学院电子与计算机系教授和西北农林科技大学长江学者讲座教授。他领导的实验室（Bio-sensing and Instrumentation Laboratory：http://sensinglab.engr.uga.edu）长期从事农产品/食品/作物的传感测试、高通量植物表型和农业机器人等方面的研究，从而实现绿色和可持续农业发展。
How to Cite this Article

Jiang Y and Li C.“Convolutional Neural Networks for Image-Based High-Throughput Plant Phenotyping: A Review,” Plant Phenomics, vol. 2020, Article ID 4152816, 22 pages, 2020.https://doi.org/10.34133/2020/4152816

——点击阅读相关文章——

High-Throughput UAV Image-Based Method Is More Precise Than Manual Rating of Herbicide Tolerance

原文介绍请点击：

Plant Phenomics | 基于无人机图像的高通量除草剂耐受性评价方法较有效 

Easy MPE: Extraction of Quality Microplot Images for UAV-Based High-Throughput Field Phenotyping

原文介绍请点击：

Plant Phenomics | Easy MPE：基于无人机高通量表型技术提取高质量田间小区图像

About Plant Phenomics

《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行，是Science合作出版的第二本期刊。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的较新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。2019年8月，已正式被DOAJ数据库收录。

转载自：植物表型资讯