目前，國內多家科研機構、實驗室在關于智慧農業方向的科研，已經取得了一定進展，僅在作物表型技術方面，已經在玉米、小麥、棉花、油菜等作物方面獲得了進展。

一、田間玉米苗期高通量動態監測方法

科研機構：北京農業信息技術研究中心、國家農業信息化工程技術研究中心/數字植物北京市重點實驗室、上海海洋大學信息學院

為解決玉米出苗動態檢測監測，依靠人工觀測，管理不精準的問題，實現田間精細化管理。北京農業信息技術研究中心攜手上海海洋大學等結構，研究以田間作物表型高通量，采集平臺獲取的高時序可見光圖像，和無人機平臺獲取的可見光圖像兩種數據源，構建了不同光照條件下的玉米出苗過程圖像數據集。對不同品種、不同密度的玉米植株進行出苗動態連續監測，對各玉米品種的出苗持續時間和出苗整齊度進行評價分析。

試驗結果表明，利用本模型得到的動態出苗結果與人工實際觀測具有一致性，可以滿足實際應用場景下玉米出苗自動檢測的需求，具有魯棒性和泛化性。

二、基于Micro-CT的玉米籽粒顯微表型特征研究

科研機構：北京農業信息技術研究中心、國家農業信息化工程技術研究中心/數字植物北京市重點實驗室、華中農業大學植物科學技術學院

針對傳統籽粒顯微性狀檢測方法效率低、誤差大且指標單一等問題，該團隊研究利用Micro-CT掃描技術對5種類型11個品種玉米籽粒開展顯微表型(植物組織、細胞和亞細胞水平的表型信息)精準鑒定研究。

基于對CT序列圖像的處理解析，共獲取籽粒、胚、胚乳、空腔、皮下空腔、胚乳空腔和胚空腔的34項顯微表型指標。結果表明，Micro-CT掃描技術不僅可以實現玉米籽粒顯微表型的精準鑒定，還可以為玉米(比如：普通玉米、爆裂玉米、甜玉米、高油玉米等)籽粒分類、品種檢測等提供技術支撐。

三、基于高光譜數據的玉米葉面積指數和生物量評估

科研機構： 中國農業大學土地科學與技術學院、中國農業大學生物學院

該團隊為提升玉米精準管理水平，研究基于3個種植密度和5份玉米材料的田間試驗，獲取玉米大喇叭口期的地面ASD高光譜數據與無人機高光譜影像，分析不同種植密度下不同遺傳材料的葉面積指數(LAI)和單株地上部生物量，構建基于全波段、敏感波段和植被指數的LAI和單株的上部生物量高光譜估算模型，比較分析兩類高光譜數據在玉米表型性狀參數上的檢測能力。

結果表明，田間非成像高光譜和無人機成像高光譜在玉米LAI及生物量估算方面具有較好的一致性，能夠快速有效地提取地塊尺度玉米農學參數信息，可為高光譜技術在小區尺度的精準農業管理應用提供參考。

四、基于快速葉綠素熒光技術的油菜冠層生化參數垂直異質性分析

科研機構：浙江大學生物系統工程與食品科學學院、農業農村部光譜檢測重點實驗室、浙江大學現代光學儀器國家重點實驗室

針對現有作物生化參數的垂直分布研究，缺乏與光合生理聯系的問題，該團隊研究主要探究了不同氮素處理水平下，油菜苗期冠層內的葉綠素、類胡蘿卜素、干物質和水分等生化參數的垂直分布變化特性，及葉片的光合性能，進一步剖析了熒光響應與生化參數的內在聯系。

試驗結果表明:應用快速葉綠素熒光技術對作物進行生化信息的垂直異質性檢測，具有可行性，可為指導精準施肥和提高優質優產提供新思路和技術支撐。

五、利用多時序激光點云數據提取棉花表型參數方法

科研機構：華中農業大學信息學院、華中農業大學植物科學技術學院、華中農業大學作物遺傳改良國家重點實驗室等

為實現作物表型參數高效、準確地測量和作物生育期表型參數的動態量化研究，該團隊研究以棉花為研究對象，針對棉花植株主干的幾何特性，采用三維激光掃描LiDAR技術獲取棉花植株的多時序點云數據，對各植株表型參數動態變化過程進行了量化。

實驗結果表明，采用主干提取及葉片分割方法能夠實現棉花的枝干和葉片分割。提取的株高、葉長、葉寬等表型參數與人工測量值的決定系數均趨近于1.0;同時，實現了棉花表型參數的動態量化過程，為三維表型技術的實現提供了一種有效方法。

六、基于YOLOv4和自適應錨框調整的谷穗檢測方法

科研機構：山西農業大學軟件學院、陜西師范大學計算機學院

為解決傳統人工統計谷穗費時費力的問題，該團隊研究提出了一種基于YOLOv4和自適應錨框調整的谷穗檢測方法，可快速準確地檢測特定框中的谷穗。通過自適應地調整錨框，可生成符合谷穗目標的候選框，從而提升檢測的準確率。

試驗結果表明，該方法獲得了良好的谷穗檢測性能，在所有評價標準上均比其他比較模型高出8%，具有較好的準確性和高效性。

七、基于超體素聚類和局部特征的玉米植株點云雄穗分割

科研機構：沈陽農業大學信息與電氣工程學院、遼寧省農業信息化工程技術研究中心等

針對當前三維點云處理方法在玉米植株點云中識別雄穗相對困難的問題，該團隊提出一種基于超體素聚類和局部特征的玉米植株點云雄穗分割方法。

結果表明，基于超體素聚類和局部特征的玉米植株點云雄穗分割方法，具備在玉米植株點云中提取雄穗的能力，可為玉米高通量表型檢測、玉米三維重建等研究和應用提供技術支持。

八、基于三維數字化的小麥植株表型參數提取方法

科研機構：北京市農林科學院信息技術研究中心、國家農業信息化工程技術研究中心數字植物北京市重點實驗室、西北農林科技大學信息工程學院

針對小麥植株分蘗多、器官間交叉遮擋嚴重，難以用圖像或點云準確提取植株和器官表型的問題，該團隊研究提出了基于三維數字化的小麥植株表型參數提取方法。

根據三維數字化數據的空間位置語義信息和表型參數的定義，提出了小麥植株表型參數計算方法，實現了小麥植株和器官長度、粗度和角度等3類共11個常規可測表型參數的計算。利用豐抗13號、西農979號和濟麥44號三個品種小麥起身期、拔節期、抽穗期三個時期的人工測量值和提取值進行驗證。

結果表明，在保持植株原始三維形態結構的前提下，提取的莖長、葉長、莖粗、莖葉夾角與實測數據精度相對較高。該方法能便捷、精確地提取小麥植株和器官形態結構表型參數，為小麥表型相關研究提供了有效技術支撐。

九、作物三維重構技術研究現狀及前景展望

科研機構：東北農業大學理學院、東北農業大學工程學院、東北農業大學農學院

為深入總結作物表型中三維重構技術研究進展，該團隊從作物三維重構的基本方法與應用特點、研究現狀和前景展望等三個方面展開綜述。從作物三維重構全程自動化、4D表型的構成、作物虛擬生長與模擬育種和智慧農業發展等方面對作物三維重構技術的前景進行了展望。

作物的三維重構模型對于高通量作物表型獲取、作物株型特征評價、植株結構和表型相關性分析等均具有重要意義，加快了新品種的選育和優化了田間管理。

審核編輯黃宇