研究计划
从感知作物，走向设计作物。
四个层次把多源观测转化为可度量、可解释、可预测、最终可设计的作物。下面每一层都链接到支撑它的项目、论文、笔记与工具。
- 2
- 个项目
- 2
- 篇论文与软件
- 11
- 篇研究笔记
研究架构
作物智能的四个层次
博士阶段构建了第 I–II 层；博士后聚焦从 II 到 III 的跃迁：让作物状态不仅可观测、可解释，而且可预测。
项目
代表性项目
笔记
研究笔记
- PhenoHUB：一个数字植物表型移动工具包I数字化
2026 年 1 月的一个微信小程序快照，整合田间工具、天气查询、图像工具和实验性 AI 助手。
- Botanical Extract AI Pro：一套实验性背景分离工作流I数字化
一套实验性的网页与批处理工作流，用多模态图像模型把植株置于白色背景上，并说明其科学和隐私局限。
- MCTP：一个多模态作物表型工作台I数字化
一个用于高光谱、LiDAR、RGB 和热红外作物表型工作流的桌面工作台，在共享 UI 与跨模态融合之间有清晰边界。
- 从表型性状预测叶片 BRDFII理解
一个经过同行评审的框架，结合方向光谱测量、BRDF 拟合、表型性状、集成学习和冠层光线追踪，覆盖四个物种。
- 用 Python 做本地图像量化：一套可审计的实验工作流I数字化
一套紧凑的 OpenCV 工作流：分割分离的生物样本，导出像素和定标后的尺寸描述符，并记录科学使用前所需的验证。
- 面向植物图像的 Hunyuan3D-1：一份可复现的探索指南I数字化
一套针对特定版本、注重证据的工作流：用 Hunyuan3D-1 生成探索性植株网格，并验证为何生成式三维输出不自动等同于表型测量。
- 无人机三维作物表型：从 CCO 采集到经验证的性状I数字化
一套从田间到分析的工作流：涵盖交叉环绕倾斜（CCO）无人机采集、SfM 重建、空间配准、点云表型和诚实的模型验证。
- Root Quantify：用 Python 交互式预处理根系图像I数字化
一份实用指南：用 Root Quantify 进行多边形 ROI 选择、背景校正、二值掩膜清理，并在下游根系分析前有序导出。
- 基于三维植株模型的冠层光合作用——一套概念性工作流II理解III预测
一个以验证为先的科研框架，连接多视图重建、植株几何、辐射传输、叶片生理和冠层尺度不确定性。
- 用 WebODM 与 QGIS 将大疆 P4 多光谱影像处理为小区尺度性状I数字化
一套以验证为先的工作流：在 WebODM 中处理大疆 P4 多光谱影像，在 QGIS 中核查波段元数据，并提取小区尺度的植被特征。
- 人工气候室内盆栽棉花的转台摄影测量I数字化
一套以验证为先的实验流程：在受控环境中采集并重建盆栽棉花植株的多视图图像。
