上海澤泉科技股份有限公司隆重推出物聯(lián)網(wǎng)分布式表型監(jiān)測系統(tǒng)——PhenoSight。現(xiàn)誠邀全國區(qū)域經(jīng)銷商,凡具備一定行業(yè)客戶基礎(chǔ),擁有專業(yè)背景知識,敢于挑戰(zhàn)行業(yè)競爭的優(yōu)秀儀器代理商,加入我們共謀事業(yè)發(fā)展,見證品牌發(fā)展。
全國各地農(nóng)科院、大學,以及農(nóng)業(yè)育種相關(guān)科研單位,自建有溫室或大田實驗條件,基于實驗室特色材料,針對不同環(huán)境生態(tài)下作物表型與育種研究,人工智能AI算法開發(fā)等,進行科研或育種需求的。
1、為支持廣大表型研究、育種科研人員的工作,公司提供終端用戶的PhenoSight系統(tǒng)免費投放測試服務(wù);
2、凡是在國際核心期刊上,凡是在人工智能、遺傳育種、表型研究、耕作栽培、生理生態(tài)、分子生物學等領(lǐng)域,發(fā)表影響因子4分以上文章的實驗室或課題組,均可以免費申請每個試驗站2臺節(jié)點的試用機會,并享有現(xiàn)成算法的使用測試;
3、試用品種為:水稻、小麥、玉米、棉花、大豆、馬鈴薯、黃瓜、番茄、油菜、擬南芥、煙草、花卉等;
4、全國范圍內(nèi)符合以上目標客戶要求的科研院所研究人員、高校相關(guān)專業(yè)實驗室,經(jīng)公司內(nèi)部評估同意后,可免費使用一年;
5、公司提供使用期限范圍內(nèi)的免費設(shè)備硬件支持、現(xiàn)有軟件系統(tǒng)和分析服務(wù);
6、定制算法開發(fā)服務(wù);
7、投放數(shù)量:100個節(jié)點。
1、系統(tǒng)安裝所需的支架、供電系統(tǒng)、無線WIFI或4G電話卡等流量費用;
2、表型數(shù)據(jù)分析需求表,評估表型數(shù)據(jù)采集與分析、以及定制開發(fā)的可行性。
—— 活動開始與截止時間 ——
2024年7月1日-2025年6月30日
—— 產(chǎn)品介紹 ——
物聯(lián)網(wǎng)分布式表型監(jiān)測與分析系統(tǒng)PhenoSight是一個物聯(lián)網(wǎng)(IoT)支持的表型測量平臺,設(shè)計簡單易用,可廣泛應(yīng)用于多種環(huán)境。并配套一個云端數(shù)據(jù)管理系統(tǒng)、高通量性狀分析算法和基于機器學習的建模,以管理和處理平臺生成的數(shù)據(jù),從而探究基因型、表型和環(huán)境之間的動態(tài)關(guān)系。
PhenoSight由主機站和分布節(jié)點組成。PhenoSight可以以無限擴展監(jiān)測節(jié)點。每臺節(jié)點均安裝有高分辨率RGB鏡頭,標準配置廣角探頭(近焦探頭為可選,用于局部區(qū)域關(guān)鍵生育期的監(jiān)測,如水稻開花、抽穗、灌漿期等);而主機可外接氣象環(huán)境傳感器與植物生長傳感器,如溫濕度傳感器、土壤三參數(shù)傳感器(水分/溫度/電導(dǎo)率)、PAM葉綠素熒光傳感器、植物冠層溫度傳感器等,可在測量植物表型的同時,將環(huán)境因子加入到植物生長的模型中去,從而除了能夠測量表型參數(shù)外,還可以實現(xiàn)對該環(huán)境條件下該植物的生長情況進行預(yù)測,對指導(dǎo)農(nóng)業(yè)生產(chǎn)具有重大意義。所有PhenoSight數(shù)據(jù)通過MQTT協(xié)議傳送到云端,進行后期數(shù)據(jù)處理和管理。
其它可擴展功能:
1)400-1000nm植物高光譜監(jiān)測,可對田間小麥進行如下預(yù)測分析。
? 葉層氮含量 | ? 葉面積指數(shù) | ? 葉綠素a含量 |
? 葉干重 | ? 葉片氮積累量 |
2)植物氣孔表型
適合植物:小麥、玉米、棉花、大豆、黃瓜、油菜、擬南芥、煙草等。
基于YOLO算法機器視覺認定的圖像中的所有的氣孔個數(shù) | |
開的氣孔個數(shù) | 基于YOLO算法機器視覺認定的開的氣孔個數(shù) |
閉的氣孔個數(shù) | 基于YOLO算法機器視覺認定的閉的氣孔個數(shù) |
氣孔(保衛(wèi)細胞)長度 | 保衛(wèi)細胞在視野中平均長度 |
氣孔(保衛(wèi)細胞)寬度 | 保衛(wèi)細胞在視野中平均寬度 |
單個氣孔面積 | 基于語義分割算法實現(xiàn)的真正意義的氣孔面積(不含保衛(wèi)細胞) |
氣孔總面積 | 基于語義分割算法實現(xiàn)的視野范圍內(nèi)所有氣孔面積(不含保衛(wèi)細胞)總和 |
氣孔開閉速度 | 單位時間里氣孔開口面積的變化率 |
主要優(yōu)勢:
? 高性能:內(nèi)置AI預(yù)處理芯片,實時數(shù)據(jù)上傳云端,定制化算法模型,批量處理分析;
? 機動性:易于安裝和使用;
? 耐用性:IP65設(shè)計,持續(xù)在實驗室、溫室與田間條件下作業(yè);
? 通用性:結(jié)合生物育種技術(shù)及環(huán)境因子數(shù)據(jù),可實現(xiàn)室內(nèi)發(fā)芽、幼苗到成株的表型研究,功能基因定位、田間植物生長建模與產(chǎn)量預(yù)測、品種篩選與鑒定等。
科研場景:
1)田間小區(qū)種植(全生育期)
? 形態(tài)性狀:株高、冠層覆蓋度、葉面積;
? 紋理性狀:葉片密集度、綠度指數(shù);
? 顏色與植被指數(shù):ExR、NGRDI、NDYI、ExG、NPCI,以及客戶定制化需求。
2)溫室或?qū)嶒炇遥ǚN子與幼苗)
? 萌發(fā)期:發(fā)芽率、發(fā)芽勢、胚芽長度、胚芽生長速度、胚根生長速度、胚芽輪廓、種子初生根條數(shù)、最大胚根長、根系總長度、根系角度、表面積、體積、胚芽鞘長度、長度比等;
? 幼苗期:株高、葉面積、葉輪廓、冠層覆蓋度、葉傾角、綠葉總面積,黃葉總面積,綠葉面積比,葉片衰老程度等。
—— 相關(guān)文獻 ——
1. Reynolds D, Ball J, Bauer A, et al. CropSight: a scalable and open-source information management system for distributed plant phenotyping and IoT-based crop management[J]. Gigascience, 2019, 8(3): giz009.
2. Alkhudaydi T, De la Lglesia B. Counting spikelets from infield wheat crop images using fully convolutional networks[J]. Neural Computing and Applications, 2022, 34(20): 17539-17560.
3. Zhu Y, Sun G, Ding G, et al. Large-scale field phenotyping using backpack LiDAR and CropQuant-3D to measure structural variation in wheat[J]. Plant Physiology, 2021, 187(2): 716-738.
4. Colmer, J., O'Neill, C.M., et al. SeedGerm: a cost‐effective phenotyping platform for automated seed imaging and machine‐learning based phenotypic analysis of crop seed germination[J]. New Phytologist, 2020.
5. Reynolds D, Ball J, Bauer A, et al. CropSurveyor: a scalable open-source experiment management system for distributed plant phenotyping and IoT-based crop management[J]. bioRxiv, 2018: 451120.
6. Zhou J, Applegate C, Alonso A D, et al. Leaf-GP: an open and automated software application for measuring growth phenotypes for arabidopsis and wheat[J]. Plant Methods, 2017, 13: 1-17.
7. Zhou J, Reynolds D, Cornu T L, et al. CropQuant: an automated and scalable field phenotyping platform for crop monitoring and trait measurements to facilitate breeding and digital agriculture[J]. BioRxiv, 2017: 161547.
—— 終端客戶需求登記表 ——