bet356最新版登录入口隆重推出物联网分布式表型监测系统——PhenoSight。现诚邀全国区域经销商，凡具备一定行业客户基础，拥有专业背景知识，敢于挑战行业竞争的优秀仪器代理商，加入我们共谋事业发展，见证品牌发展。
全国各地农科院、大学，以及农业育种相关科研单位，自建有温室或大田实验条件，基于实验室特色材料，针对不同环境生态下作物表型与育种研究，人工智能AI算法开发等，进行科研或育种需求的。
1、为支持广大表型研究、育种科研人员的工作，公司提供终端用户的PhenoSight系统免费投放测试服务；
2、凡是在国际核心期刊上，凡是在人工智能、遗传育种、表型研究、耕作栽培、生理生态、分子生物学等领域，发表影响因子4分以上文章的实验室或课题组，均可以免费申请每个试验站2台节点的试用机会，并享有现成算法的使用测试；
3、试用品种为：水稻、小麦、玉米、棉花、大豆、马铃薯、黄瓜、番茄、油菜、拟南芥、烟草、花卉等；
4、全国范围内符合以上目标客户要求的科研院所研究人员、高校相关专业实验室，经公司内部评估同意后，可免费使用一年；
5、公司提供使用期限范围内的免费设备硬件支持、现有软件系统和分析服务；
6、定制算法开发服务；
7、投放数量：100个节点。
1、系统安装所需的支架、供电系统、无线WIFI或4G电话卡等流量费用；
2、表型数据分析需求表，评估表型数据采集与分析、以及定制开发的可行性。
—— 活动开始与截止时间 ——
2024年7月1日-2025年6月30日
—— 产品介绍 ——
物联网分布式表型监测与分析系统PhenoSight是一个物联网（IoT）支持的表型测量平台，设计简单易用，可广泛应用于多种环境。并配套一个云端数据管理系统、高通量性状分析算法和基于机器学习的建模，以管理和处理平台生成的数据，从而探究基因型、表型和环境之间的动态关系。
PhenoSight由主机站和分布节点组成。PhenoSight可以以无限扩展监测节点。每台节点均安装有高分辨率RGB镜头，标准配置广角探头（近焦探头为可选，用于局部区域关键生育期的监测，如水稻开花、抽穗、灌浆期等）；而主机可外接气象环境传感器与植物生长传感器，如温湿度传感器、土壤三参数传感器（水分/温度/电导率）、PAM叶绿素荧光传感器、植物冠层温度传感器等，可在测量植物表型的同时，将环境因子加入到植物生长的模型中去，从而除了能够测量表型参数外，还可以实现对该环境条件下该植物的生长情况进行预测，对指导农业生产具有重大意义。所有PhenoSight数据通过MQTT协议传送到云端，进行后期数据处理和管理。
其它可扩展功能：
1）400-1000nm植物高光谱监测，可对田间小麦进行如下预测分析。
• 叶层氮含量 | • 叶面积指数 | • 叶绿素a含量 |
• 叶干重 | • 叶片氮积累量 |
2）植物气孔表型
适合植物：小麦、玉米、棉花、大豆、黄瓜、油菜、拟南芥、烟草等。
基于YOLO算法机器视觉认定的图像中的所有的气孔个数 | |
开的气孔个数 | 基于YOLO算法机器视觉认定的开的气孔个数 |
闭的气孔个数 | 基于YOLO算法机器视觉认定的闭的气孔个数 |
气孔(保卫细胞)长度 | 保卫细胞在视野中平均长度 |
气孔(保卫细胞)宽度 | 保卫细胞在视野中平均宽度 |
单个气孔面积 | 基于语义分割算法实现的真正意义的气孔面积(不含保卫细胞) |
气孔总面积 | 基于语义分割算法实现的视野范围内所有气孔面积(不含保卫细胞)总和 |
气孔开闭速度 | 单位时间里气孔开口面积的变化率 |
主要优势：
• 高性能：内置AI预处理芯片，实时数据上传云端，定制化算法模型，批量处理分析;
• 机动性：易于安装和使用;
• 耐用性：IP65设计，持续在实验室、温室与田间条件下作业;
• 通用性：结合生物育种技术及环境因子数据，可实现室内发芽、幼苗到成株的表型研究，功能基因定位、田间植物生长建模与产量预测、品种筛选与鉴定等。
科研场景：
1）田间小区种植（全生育期）
• 形态性状：株高、冠层覆盖度、叶面积;
• 纹理性状：叶片密集度、绿度指数;
• 颜色与植被指数：ExR、NGRDI、NDYI、ExG、NPCI，以及客户定制化需求。
2）温室或实验室（种子与幼苗）
• 萌发期：发芽率、发芽势、胚芽长度、胚芽生长速度、胚根生长速度、胚芽轮廓、种子初生根条数、最大胚根长、根系总长度、根系角度、表面积、体积、胚芽鞘长度、长度比等;
• 幼苗期：株高、叶面积、叶轮廓、冠层覆盖度、叶倾角、绿叶总面积，黄叶总面积，绿叶面积比，叶片衰老程度等。
—— 相关文献 ——
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.
—— 终端客户需求登记表 ——
