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。
点选某一层，可筛选下方的项目、笔记与工具。
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
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。
- Botanical Extract AI Pro：基于多模态模型的零样本植株背景去除I数字化
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。
- MCTP：多模态作物表型数据处理平台I数字化
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。
- 基于表型性状预测叶片 BRDFII理解
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）。
- 用 Python 从图像中量化种子、叶片等植物样本I数字化
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。
- 基于三维生成式人工智能的单图像植株三维重建及其与 SfM 的比较I数字化
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。
- 无人机三维作物表型：交叉环绕倾斜采集、SfM 与 CanopyPCI数字化
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。
- Root Quantify：用 Python 交互式预处理根系图像I数字化
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。
- 基于三维重建的冠层光合作用模型II理解III预测
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。
- 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
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。
- 基于转台摄影测量的盆栽棉花三维重建I数字化
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。
