2024年11月，Plant Phenomics在线发表了美国Michigan State University题为Drone-Based Digital Phenotyping to Evaluating Relative Maturity, Stand Count, and Plant Height in Dry Beans (Phaseolus vulgaris L.) 的研究论文。
研究利用无人机搭载的RGB摄像头和深度学习技术对干豆的相对成熟度（RM）、植株数量（SC）和植株高度（PH）进行数字化表型分析。研究通过结合卷积神经网络（CNN）和长短期记忆网络（LSTM）模型，探索了无人机图像时间序列在评估干豆成熟度方面的应用，并考察了飞行频率、图像分辨率和数据增强技术对模型性能的影响。
最后，研究对所开发的深度学习模型进行了性能评估，使用平均绝对误差（MAE）和均方误差（MSE）来衡量模型在预测RM时的表现，并与传统的图像预处理方法进行了比较。结果表明CNN-LSTM模型在多种条件下预测RM的准确性方面优于传统方法。此外，研究还发现，将GDD数据纳入模型可以提高特定环境压力下的性能。对于SC的估算，Faster R-CNN模型在不同飞行高度下都能有效地识别出早期生长阶段的干豆植株，其准确性优于传统方法。这项研究解决了高通量表型分析中的关键问题，使育种者能够做出更精确的决策，降低实验成本，并加速新品种的推广。
源代码链接：
https://github.com/msudrybeanbreeding
https://doi.org/10.34133/plantphenomics.0278
https://doi.org/10.34133/plantphenomics.0244
Plant Phenomics | 基于无人机遥感与深度学习模型的大豆生物量高通量表型分析：传统性状估算与新型潜在特征提取
https://doi.org/10.34133/plantphenomics.0164
Plant Phenomics | 华中农业大学开发了基于无人机平台的大田作物表型数据提取和分析平台
《植物表型组学》（Plant Phenomics）是由南京农业大学创办的英文学术期刊，于2019年1月正式上线发行。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最新技术，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。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2023影响因子为7.6，位于农艺学一区（1/125名），植物科学一区（13/265名），遥感一区（6/62名）。2023年中科院期刊分区位于农林科学大类一区。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目、中国科技期刊卓越行动计划二期英文梯队期刊。
说明：本文由《植物表型组学》编辑部负责组稿。
审核：尹欢、孔敏
