上海澤泉科技股份有限公司隆重推出物聯網分布式表型監測系統——PhenoSight。現(xian)誠(cheng)邀全國區域經銷商，凡具備一定行業客戶基礎，擁有專業背景知識，敢于挑戰行業競爭的優秀儀器代理商，加入我們共謀事業發展，見證品牌發展。
全(quan)國各(ge)地(di)農科(ke)院、大(da)學，以及農業(ye)育種相關科(ke)研單位，自建有溫室或大(da)田實驗(yan)(yan)條件(jian)，基于實驗(yan)(yan)室特色材料，針對不同(tong)環境(jing)生態下(xia)作物表型與(yu)育種研究，人工智(zhi)能AI算法開發等，進行(xing)科(ke)研或育種需求(qiu)的(de)。
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(duan)用(yong)戶的PhenoSight系統(tong)免(mian)費投放測試服務(wu)；
2、凡(fan)(fan)是在國(guo)際核(he)心期刊上，凡(fan)(fan)是在人工智能、遺(yi)傳育種、表(biao)型(xing)研究、耕作栽培、生理生態、分(fen)子生物學等領域，發(fa)表(biao)影(ying)響因子4分(fen)以(yi)上文(wen)章的實驗室或課題組，均(jun)可以(yi)免費申請每(mei)個試(shi)驗站2臺節點的試(shi)用機(ji)會(hui)，并享有現成算法的使(shi)用測試(shi)；
3、試用品種為：水(shui)稻、小麥、玉米、棉(mian)花、大豆(dou)、馬鈴(ling)薯、黃瓜(gua)、番茄(qie)、油菜、擬南芥、煙草、花卉等(deng)；
4、全國(guo)范圍內(nei)符(fu)合以(yi)上目(mu)標客戶要求的科研院所研究人員、高校(xiao)相關專業實(shi)驗室(shi)，經公司內(nei)部評估(gu)同意后，可免(mian)費(fei)使用一年(nian)；
5、公司提供使用期限范圍(wei)內的免費(fei)設備硬件支持、現(xian)有軟(ruan)件系統和分析服(fu)務；
6、定(ding)制算(suan)法(fa)開發服務(wu)；
7、投放數量：100個節點。
1、系統安裝(zhuang)所需的(de)支架、供電系統、無線(xian)WIFI或4G電話卡(ka)等(deng)流量費用；
2、表型(xing)數(shu)據(ju)(ju)分析(xi)需(xu)求表，評估表型(xing)數(shu)據(ju)(ju)采集與分析(xi)、以及(ji)定制(zhi)開發的可行性(xing)。
—— 活動開始與截止(zhi)時間 ——
2024年7月1日-2025年6月30日
—— 產(chan)品介紹(shao) ——
物聯網分(fen)布式表(biao)型(xing)監測與分(fen)析系(xi)(xi)統PhenoSight是一(yi)個(ge)(ge)物聯網（IoT）支持的(de)表(biao)型(xing)測量平(ping)臺，設計(ji)簡單(dan)易用，可廣泛應用于多種環境。并配套(tao)一(yi)個(ge)(ge)云端(duan)數據管理系(xi)(xi)統、高(gao)通量性狀(zhuang)分(fen)析算(suan)法和基(ji)于機器學習的(de)建模，以管理和處理平(ping)臺生成的(de)數據，從而探究(jiu)基(ji)因型(xing)、表(biao)型(xing)和環境之間的(de)動態(tai)關系(xi)(xi)。
PhenoSight由(you)主機(ji)站(zhan)和分(fen)布節(jie)點(dian)組(zu)成。PhenoSight可(ke)以以無(wu)限(xian)擴(kuo)展監測(ce)節(jie)點(dian)。每臺節(jie)點(dian)均(jun)安裝有(you)高分(fen)辨率(lv)RGB鏡頭，標準配置廣角探(tan)頭（近(jin)焦探(tan)頭為可(ke)選，用于(yu)局部區域關鍵生育期(qi)的監測(ce)，如水稻開(kai)花、抽穗、灌漿期(qi)等）；而(er)主機(ji)可(ke)外接氣象環(huan)(huan)境(jing)傳(chuan)感(gan)(gan)器與植(zhi)(zhi)物(wu)生長傳(chuan)感(gan)(gan)器，如溫(wen)濕度傳(chuan)感(gan)(gan)器、土壤三參數傳(chuan)感(gan)(gan)器（水分(fen)/溫(wen)度/電導率(lv)）、PAM葉(xie)綠素熒光傳(chuan)感(gan)(gan)器、植(zhi)(zhi)物(wu)冠層溫(wen)度傳(chuan)感(gan)(gan)器等，可(ke)在測(ce)量(liang)植(zhi)(zhi)物(wu)表型(xing)的同時，將環(huan)(huan)境(jing)因子加入到植(zhi)(zhi)物(wu)生長的模型(xing)中去，從而(er)除了能夠測(ce)量(liang)表型(xing)參數外，還可(ke)以實(shi)現對該環(huan)(huan)境(jing)條(tiao)件下該植(zhi)(zhi)物(wu)的生長情況進行(xing)預測(ce)，對指導農(nong)業生產具有(you)重大意(yi)義。所有(you)PhenoSight數據(ju)通(tong)過MQTT協議(yi)傳(chuan)送(song)到云端，進行(xing)后期(qi)數據(ju)處理(li)和管(guan)理(li)。
其它可擴展功能：
1）400-1000nm植(zhi)物高(gao)光譜(pu)監測，可對田間小麥(mai)進行(xing)如下預(yu)測(ce)分(fen)析。
? 葉層氮含量 | ? 葉面積指數 | ? 葉綠素a含量 |
? 葉(xie)干重 | ? 葉片氮積累量(liang) |
2）植物氣孔表(biao)型
適合(he)植(zhi)物：小麥(mai)、玉米、棉花、大豆、黃(huang)瓜、油菜、擬南芥、煙草等(deng)。
基于YOLO算(suan)法機器(qi)視(shi)覺認(ren)定的圖(tu)像(xiang)中的所有(you)的氣(qi)孔個數 | |
開(kai)的氣孔個數 | 基于YOLO算法機(ji)器視覺認(ren)定的開的氣孔(kong)個數 |
閉的氣孔(kong)個數 | 基于YOLO算法機(ji)器視(shi)覺認定的(de)閉的(de)氣孔個數(shu) |
氣孔(kong)(保衛細(xi)胞)長度(du) | 保衛(wei)細胞在視野中(zhong)平均長(chang)度 |
氣孔(kong)(保衛細胞)寬度 | 保衛(wei)細胞在視野(ye)中平均寬度(du) |
單個氣孔面積 | 基于語義分割算法實現的真正意義的氣孔(kong)面積(不含保衛細胞) |
氣孔總面積 | 基于語義(yi)分割算法實現的視(shi)野范圍內所(suo)有氣(qi)孔(kong)面積(不含保(bao)衛細胞)總和(he) |
氣孔(kong)開閉速度 | 單(dan)位(wei)時間里氣孔開(kai)口面積的變化率 |
主要優勢：
? 高性能：內置AI預處理芯(xin)片，實時數據上傳云端(duan)，定制化算(suan)法模型，批量(liang)處理(li)分(fen)析;
? 機動性(xing)：易于安裝(zhuang)和(he)使(shi)用(yong);
? 耐用性：IP65設計(ji)，持續在實(shi)驗室(shi)、溫室(shi)與田間(jian)條(tiao)件下作(zuo)業;
? 通(tong)用性：結合生物育種技術及環境因子數據，可實現室內發芽(ya)、幼苗到(dao)成株的表型研究，功能基因定位、田間植物生長建模與產量預測、品種篩選與鑒定等。
科研場景：
1）田(tian)間(jian)小區種植（全生育期）
? 形態性狀：株高(gao)、冠層覆蓋度、葉(xie)面積;
? 紋理(li)性狀：葉片密集度、綠度指數;
? 顏色(se)與(yu)植被指數(shu)：ExR、NGRDI、NDYI、ExG、NPCI，以及(ji)客戶定制(zhi)化需求(qiu)。
2）溫室或實驗(yan)室（種子與幼苗）
? 萌(meng)發期：發芽(ya)率、發芽(ya)勢(shi)、胚(pei)芽(ya)長度(du)、胚(pei)芽(ya)生(sheng)長速度(du)、胚(pei)根(gen)生(sheng)長速度(du)、胚(pei)芽(ya)輪廓、種子初(chu)生(sheng)根(gen)條(tiao)數、最大胚(pei)根(gen)長、根(gen)系總長度(du)、根(gen)系角度(du)、表(biao)面積(ji)、體(ti)積(ji)、胚(pei)芽(ya)鞘(qiao)長度(du)、長度(du)比等;
? 幼苗期：株高、葉面(mian)積(ji)、葉輪廓、冠層覆蓋度、葉傾角、綠葉總面(mian)積(ji)，黃葉總面(mian)積(ji)，綠葉面(mian)積(ji)比，葉片衰(shuai)老程度等(deng)。
—— 相關文獻 ——
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 ——
