<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Agribrain的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Agribrain</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Agribrain]]></copyright><item><title><![CDATA[室内高通量智能表型加速育种平台PhenoAI CPPS]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/168769878</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/168769878</guid><author>Agribrain</author><pubDate>Thu, 22 Oct 2026 17:14:31 +0800</pubDate><description><![CDATA[本平台集成了高通量植株成像、根系表型分析、高光谱检测、智能气候调控与多模态数据融合五大系统，实现亚毫米级形态解析、20余项根系/生化参数自动提取、全光谱精准反演及环境胁迫模拟。支持多工位并行采集、自动化流程控制与私有化数据管理，具备高精度、高通量、智能化特点，全面赋能作物育种科研与教学创新。]]></description><category></category></item><item><title><![CDATA[无人机田间提取教程（上）-无人机操作部分]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/155601224</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/155601224</guid><author>Agribrain</author><pubDate>Fri, 05 Dec 2025 11:27:47 +0800</pubDate><description><![CDATA[无人机田间作业指南包含以下三方面：地块确定、辐射校正与航线设置]]></description><category></category></item><item><title><![CDATA[【教程】如何高效提取胡萝卜块根形态和颜色特征？]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/150271104</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/150271104</guid><author>Agribrain</author><pubDate>Tue, 12 Aug 2025 14:42:47 +0800</pubDate><description><![CDATA[本文介绍了一种基于PhenoAI分析系统的胡萝卜表型快速检测方法。通过将胡萝卜样本与白板置于背景布上拍摄，利用PhenoAI系统可自动获取果实形态参数（长度、宽度、面积等）和颜色纹理特征。该方法支持RGB数据分析，可评估胡萝卜外观品质，并可通过机器学习算法建立外观与营养品质的关联模型，为胡萝卜品种筛选和品质鉴定提供高效解决方案。]]></description><category></category></item><item><title><![CDATA[【教程】基于无人机的大豆光合效率研究]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/149441632</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/149441632</guid><author>Agribrain</author><pubDate>Fri, 18 Jul 2025 11:41:05 +0800</pubDate><description><![CDATA[本文提出基于无人机和PhenoAI air系统的大豆光合效率研究方法，通过多光谱图像采集，自动分析NDGI、RGRI等植被指数，无损测量大豆冠层性状。该系统可实现10万亩/架次的作业规模，三步完成图像标记、校正和分析，输出精准分割图及数据表。研究表明，自动化表型分析将推动大豆育种突破，该系统还支持深度学习建模和基因挖掘，为作物研究提供从表型到基因组的完整解决方案。]]></description><category></category></item><item><title><![CDATA[【教程】如何高效提取叶片病斑面积？]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/148253740</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/148253740</guid><author>Agribrain</author><pubDate>Tue, 27 May 2025 11:25:50 +0800</pubDate><description><![CDATA[根据PhenoAI Near自动标记的样品编号，可直接获取病斑面积、病斑部分占总叶片的占比等表型相关数据表格，用来解析植物-病原-环境互作之间的影响。]]></description><category></category></item><item><title><![CDATA[高精度全基因组选择AI平台]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/148250919</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/148250919</guid><author>Agribrain</author><pubDate>Tue, 27 May 2025 10:03:27 +0800</pubDate><description><![CDATA[GSBrain P系列是一款零门槛可视化全基因组选择AI平台，支持用户通过简单拖拽完成育种分析预测。该产品整合了自研高精度算法GS++（精度提升9%-45%）、FreeDL深度学习网络构建功能和WorkflowPockets流程管理，同时支持GWAS、WGCNA等多项生信分析。采用本地化部署保障数据隐私，内置海量存储空间，实现育种群体从分析预测到配种优化的全流程智能化操作。]]></description><category></category></item><item><title><![CDATA[GSBrain是什么?]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/144770204</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/144770204</guid><author>Agribrain</author><pubDate>Fri, 27 Dec 2024 16:03:49 +0800</pubDate><description><![CDATA[GSBrains包含七大功能：全基因组关联分析(GWAS)、全基因组选择(GS)、基因同源度分析(HA)、拷贝数变异分析(CNV)、基因存在缺失变异分析(PAV)、启动子顺式调控元件(CRE)分析以及基于各类深度学习模型的多组学(基因、转录、蛋白、代谢和表型)的个性化预测分析。GSBrain除了包含生信各类常规主流分析功能，还内置各类深度学习和经典机器学习模型以实现在基因组、转录组、蛋白组、代谢组和表型组的任意个性化建模分析，如基因组预测表型(GP)、转录丰度预测等。]]></description><category></category></item><item><title><![CDATA[The Plant Cell | 基于深度学习的基因表达模式预测]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/143796767</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/143796767</guid><author>Agribrain</author><pubDate>Fri, 15 Nov 2024 13:50:22 +0800</pubDate><description><![CDATA[本研究利用拟南芥的cistrome数据集和番茄果实的时空转录组数据作为数据来源，构建了卷积神经网络(CNN)模型来预测基因表达模式，通过CNN的特征可视化技术，识别关键核苷酸残基，并采用电泳迁移率变化分析(EMSA)和瞬时报告基因分析验证DL模型的预测。该研究利用番茄果实的染色质组数据成功构建了一个深度学习模型，该模型能够预测基因调控区域的DNA序列如何调控成熟过程中的基因表达。本研究利用番茄的顺式调控元件数据，结合深度学习模型，预测了果实成熟过程中基因的表达模式。参与染色质结构的构建。]]></description><category></category></item><item><title><![CDATA[影响因子21.3 | 深度学习在植物表型中的应用]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/143796095</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/143796095</guid><author>Agribrain</author><pubDate>Fri, 15 Nov 2024 13:43:17 +0800</pubDate><description><![CDATA[在植物表型分析中，深度学习主要用于图像数据的解析，以识别和预测植物的生长状态、形态特征和可能的病害等问题。这些模型能够处理高分辨率的图像，并从中估计出植物生长的关键指标。以IPPN数据库图像为基础，结合真实与合成图像，深度学习模型在叶片数量预测任务中取得显著成果，均方误差降至0.73，提升了特征预测的精确性。利用iNaturalist数据集，深度学习模型通过Inception-ResNet-v2架构实现了对数千种植物和动物的高效分类，top-1准确率达69.5%，top-5准确率达87.1%。]]></description><category></category></item><item><title><![CDATA[常用作物生理指标测定方法]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/142547610</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/142547610</guid><author>Agribrain</author><pubDate>Thu, 26 Sep 2024 09:53:23 +0800</pubDate><description><![CDATA[几种常见的植物生理指标及其传统测定方法]]></description><category></category></item><item><title><![CDATA[植被指数提取方法(含公式)]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/142547255</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/142547255</guid><author>Agribrain</author><pubDate>Thu, 26 Sep 2024 09:36:13 +0800</pubDate><description><![CDATA[植被指数是农作物生长分析的重要参数，在遥感领域中，由于植被指数有利于观测农作物的涨势和发展状况，从而被广泛应用于农业领域。]]></description><category></category></item><item><title><![CDATA[植物育种中的全基因组选择介绍及实践]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/141058257</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/141058257</guid><author>Agribrain</author><pubDate>Fri, 09 Aug 2024 11:53:33 +0800</pubDate><description><![CDATA[全基因组选择(GS)是根据训练群体全基因组上的分子标记基因型和表型之间的关联构建统计模型, 进而对表型未知的育种群体做出合理的预测和选择。统计模型是GS的核心，极大地影响了基因组预测的准确度和效率。因此，]]></description><category></category></item><item><title><![CDATA[如何快速数苗并进行田块面积统计？]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/141031267</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/141031267</guid><author>Agribrain</author><pubDate>Thu, 08 Aug 2024 16:57:30 +0800</pubDate><description><![CDATA[农作物播种面积和出苗数是决定农作物产量的主要因素，传统的田块面积统计方法多依赖人工测量统计，这些方法往往耗时耗力，难以满足大面积农田的实时监控需求，随着无人机遥感技术的发展，凭借其快速、宏观、动态、覆盖面积大、易于观测等特点，为大范围获取作物信息提供了新手段。本文将介绍一种基于无人机的快速数苗并进行田块面积统计的方法。]]></description><category></category></item><item><title><![CDATA[牧草作物无人机遥感监测方法]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/140996725</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/140996725</guid><author>Agribrain</author><pubDate>Wed, 07 Aug 2024 17:17:14 +0800</pubDate><description><![CDATA[牧草作物无人机遥感监测是通过无人机搭载各类传感器获取遥感影像，利用图像处理软件提取作物的特征信息，根据光谱特征、纹理特征及作物机理等对作物长势、产量、品质等进行快速、高效、大范围地监测。本文将从无人机图像采集、无人机数据处理等方面对牧草作物无人机遥感监测方法进行概述。]]></description><category></category></item><item><title><![CDATA[无人机表型信息获取技术]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/140987014</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/140987014</guid><author>Agribrain</author><pubDate>Wed, 07 Aug 2024 11:26:39 +0800</pubDate><description><![CDATA[可见光传感器具有成像分辨率高、数据处理简单、成本低等优势，目前在作物覆盖度、生物量监测中应用最广，相比于多光谱相机，可见光相机的波段数较少(普通的可见光传感器只包括R、G、B三个波段)。]]></description><category></category></item><item><title><![CDATA[【教程】如何高效提取香蕉果实的形态表型特征？]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/140316506</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/140316506</guid><author>Agribrain</author><pubDate>Wed, 10 Jul 2024 10:28:54 +0800</pubDate><description><![CDATA[本教程旨在指导如何高效地提取香蕉果实的表型特征，以便快速进行科学研究、品种鉴定或品质评估。]]></description><category></category></item><item><title><![CDATA[【教程】如何高效提取梨果实的形态表型特征？]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/140302913</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/140302913</guid><author>Agribrain</author><pubDate>Tue, 09 Jul 2024 17:58:58 +0800</pubDate><description><![CDATA[可根据RGB的整体均值获取梨果实表面颜色分布情况，利用RGB颜色空间中各个颜色通道中Homogeneity（同质度）、Contrast（对比度)、Dissimilarity（非相似性）等各纹理指标的的差异快速对梨果实的果点分布进行全面分析，从而深入了解果点的形态特征、分布规律和复杂性等信息。① 一块背景布(黑色或蓝色)和一个白板(5cm*5cm)、成像设备(数码相机、手机、无人机、扫描仪、单反相机等均可)、需要分析的样本。梨主要分为砂梨、白梨、秋子梨、新疆梨、西洋梨五大品种，被视为至关重要的农艺性状。]]></description><category></category></item><item><title><![CDATA[【教程】如何高效提取番茄果实的形态表型特征？（果纵径、果横径等）]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/140302670</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/140302670</guid><author>Agribrain</author><pubDate>Tue, 09 Jul 2024 17:53:41 +0800</pubDate><description><![CDATA[本教程旨在指导如何高效地提取番茄果实的表型特征，以便快速进行科学研究、品种鉴定或品质评估。]]></description><category></category></item><item><title><![CDATA[【教程】基于无人机的苗数统计教程]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/140204452</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/140204452</guid><author>Agribrain</author><pubDate>Fri, 05 Jul 2024 11:52:03 +0800</pubDate><description><![CDATA[本文介绍了一种基于无人机的苗数统计的方法，在高效便捷的同时兼顾精准性，能够正确识别目标作物，分割土壤和植被，统计苗数、覆盖率和田块面积等数据。]]></description><category></category></item><item><title><![CDATA[【教程】基于无人机的作物生长监测]]></title><link>https://blog.youkuaiyun.com/Agribrain/article/details/139987023</link><guid>https://blog.youkuaiyun.com/Agribrain/article/details/139987023</guid><author>Agribrain</author><pubDate>Wed, 26 Jun 2024 13:50:50 +0800</pubDate><description><![CDATA[本文将以无人机一体化分析系统为工具，通过分析示例作物的图像，获取与作物生长监测相关度较高的几个关键性指标，并将不同小区进行数值对比，介绍如何使用无人机技术进行作物生长监测。]]></description><category></category></item></channel></rss>