Research archive

面向植物表型田间工作的微信小程序：叶倾角与地块面积测量、测点气象、图像分析、AI 辅助绘图和数据管理集成于一个移动工具包。

一个网页应用与批处理流程，借助多模态图像模型、结构化提示词、宽高比匹配和文件头格式识别，在不针对任务训练的情况下去除植株图像背景。

一个桌面平台，以统一界面、交互式调参、批量处理和结构化导出，处理高光谱、LiDAR、RGB 和热红外表型数据。

一套由表型性状预测四个物种叶片 BRDF 参数的测量与分析框架，结合方向光谱测量、Cook–Torrance 模型拟合、集成学习和冠层光线追踪（Plant Phenomics，2025）。

从本地 Ollama 助手开始，逐步加入检索和受控的工具调用，并处理好隐私、安全和版本管理。

一种本地运行的 OpenCV 方法：在均匀背景上分割彼此分离的植物样本，以定标后的物理单位测量尺寸、形状和颜色，并为每张图像输出标注叠加图。

适用于各出版社的论文发表流程：选刊、准备稿件、投稿、同行评审、稿件状态、学术规范和发表后的维护。

用三维生成式人工智能由单张照片生成棉花植株三维模型，并按器官与同一植株的多视角 SfM 重建进行比较评估。

面向小区尺度三维作物表型的无人机流程：交叉环绕倾斜航线设计、SfM 重建、基于 CanopyPC 的冠层点云处理，以及作物性状的机器学习建模。

一个交互式 OpenCV 工具：通过多边形 ROI 选择、光照校正、阈值分割和画笔修正，把原始根系扫描图和照片处理为干净的二值图像，可直接用于根系性状软件。

如何选择本地模型并用 Ollama 运行，规划参数高效微调，评估效果，以及安全地对外提供服务。

一个模块化模型：由多视角图像重建作物植株，构建三角面元冠层，用光线追踪模拟冠层光分布，并将叶片光合积分到冠层碳同化。

在 WebODM 中把大疆 P4 多光谱影像处理为辐射信息完整的正射影像，在 QGIS 中核查波段，并提取小区尺度的植被指数与纹理特征。

从张量和训练循环，到迁移学习、模型评估、安全保存和部署，一条重视可复现性的 PyTorch 学习路线。

一套人工气候室方案：以双高度转台视频和运动恢复结构重建盆栽棉花，包含尺度控制、颜色校正与精度评估。

用 VS Code、Conda 环境和 Git 组织 Python 科研项目：记录环境、管理数据、协作开发，保证结果可复现。

从安装配置、提交、分支、远程仓库、拉取请求到撤销错误，第一次使用 Git 和 GitHub 需要掌握的完整流程。

日常使用、访达、文本编辑、浏览器、截屏和故障恢复中最常用的 macOS 快捷键速查表。

从创建项目、配置 GitHub Pages 地址到自动部署，用 Docusaurus 搭建并长期维护个人网站。