pk10手机官网

温室型高通量植物表型平台——Greenhouse Scanalyzer Systems
日期:2018-12-02 14:27:00

 

温室型高通量植物表型平台——Greenhouse Scanalyzer Systems

全自动室内表型分析系统


温室型高通量植物表型平台——Greenhouse Scanalyzer Systems是一套可以全自动、高通量对大量植株(从幼苗到成熟植株均可)进行成像的系统,温室Greenhouse Scanalyzer Systems系统无需人工干预,能在可控条件下连续监测成千上万的植物。植物经由传输系统传送到一系列成像装置之中,对每棵植株而言,每次运行可产生许多图片和几百个数据点。这些综合化而定量化的数据与植物生理以及遗传特性相关,这些参数能调控植物生长发育。Greenhouse Scanalyzer Systems能够高通量对盆栽植物进行植物表型成像,进行植物表型组学分析。通过自动控制软件对传送车及传送系统进行控制,能够定时、定位将植株传送至特定区域进行表型采集。

 

系统组成

  • 3D成像

        可选可见光成像、近红外成像、红外成像、根系近红外成像、荧光成像、高光谱成像、激光3D扫描、叶绿素荧光成像、根系可见光成像中的一种或多种,绝大多数成像有独立的摄像区域(“暗房”),每个“暗房”的顶部和侧面各安装一个摄像头(拍摄顶部和侧面成像)。花盆底座有旋转装置,可以360度旋转,这样可以获得植株4个侧面的成像信息。结合顶部成像,通过建模,可以获得完整的植株3D成像信息。其中红外成像单元设置在栽培区传送带上方,且不设置成像暗房,确保测量植物叶片温度的准确性。高光谱成像和激光3D扫描单元可搭载在机器人系统上,围绕植物测定,确保相同的测量精度。

         

  • 自动传送

        系统带自动传送装置,所有花盆上都有电子标签,所有拍摄数据根据电子标签归档。传送通量、盆栽重量和大小、植物测量高度均可定制。


  • 自动浇水和称重装置

        在温室系统中,可增加自动浇水和称重装置,软件控制对不同编号的花盆采用不同的浇水量,并每日对花盆进行称重。

 

  • 自动加营养盐装置

        在温室系统中,与自动浇水装置结合,可以在浇水的同时补充营养盐。

 

  • 自动喷淋装置

        在温室系统中,根据电子标签由软件控制是否喷洒农药,可用于检测农作物对农药的抗性或敏感性。


  • 自动分选

        在温室系统中,只要在传送装置上增加多级T-Junction(丁字路口),就可根据成像结果对大批量的植株进行分选,分选用的阈值参数可以由用户设定,分选级数取决于T-Junction的数目。

 

  • 服务器存储

        由于数据量非常大,本系统必须用服务器存储数据。

 

  • 软件分析

      软件分析功能非常强大,可以通过植株的编号(电子标签)调出整个生活史的数据,进行时间动力学分析,对拍摄的照片进行动画演示,对同一植株的时间动力学数据进行图表统计分析,对不同植株的数据进行复杂的统计学分析和图表分析。

 

  • 远程管理

        通过专用远程服务器管理软件,可以在异地对本系统的运转状况进行监测、改变测量程序或分析测量数据。



blob.png



scanalyzer-3D-3.gif




 


产品特性

· 全自动

全自动、高通量对植物等小型样品进行可见光成像、近红外成像、根系近红外成像、红外成像、荧光成像(包括整株GFP成像)和/或激光扫描3D成像(每套系统可选择一种或多种);

· 综合化的数据

Ø  适用于所有植物的参数植物冠层宽度、垂直高度、紧密度、对称性、叶颜色、叶病斑、投影叶面积、空间体积、相对含水量分布——对整株植物进行分析得出,且不能避免叶片重叠;

Ø  适用于特定植物的参数侧面图像分析植物结构、叶角度、节间长度、叶长(使用骨架分析可测出);

Ø  可批量处理获取的参数:植物冠层宽度、开展度、垂直高度、紧密度、对称性、叶颜色、叶病斑、投影叶面积、相对含水量分布、空间体积。

· 成像功能多样化

Ø  通过可见光成像可以全面解析植物结构相关表型信息;

Ø  通过近红外成像可以水力学研究、胁迫生理学研究等;

Ø  通过红外成像可以进行植物干旱胁迫研究、蒸腾研究等;

Ø  通过叶绿素荧光成像可以分析植物的生理状态等;

Ø  通过根系近红外成像分析植物根系和土柱中的水分分布情况;

Ø  通过根系可见光成像分析植物根系的形态变化;

Ø  通过高光谱成像分析植物体内特殊物质的变化

Ø  通过激光3D扫描成像获取植物3D点阵云图,获取植物3D构型数据;

Ø  通过荧光成像可分析植物自发荧光的量。

 

要功能

l  可全自动、高通量对植物样品进行光合荧光成像、高光谱成像、3D激光扫描成像、可见光成像、近红外成像、根系近红外成像、红外成像、荧光成像等,通过自动传送系统将培养在传送带上的植物自动运送至成像区域,测量结束后再运回培养区

l  叶绿素荧光成像可以分析植物的生理状态,能够测量或计算出Fo、Fm、Fv/ Fm成像、ϕRo成像、ϕPSII成像、 ETR 成像、 NPQDn成像、NPQLn成像、NPQLss成像、RAnth成像、RChl成像、 RNIR成像、RRed成像、RGreen成像、RBlue成像、Fo’成像、Fv’成像、Fv’/Fm’成像、qPDn成像、qPLn成像、qPLss成像、QYDn成像、QYLn成像、QYLss成像、RfdLn成像、RfdLss成像等 

l  高光谱成像可以比较植物体内特殊物质的变化,例如叶黄素、叶绿素等色素的反射峰值、叶片组织构造如海绵组织的反射率、叶片生化组分光谱值、主要植被指数(NDVI、RVI、GVI等)

l  3D激光扫描成像可获取植物3D点阵云图,获取植物3D构型数据,例如大小(高度,宽度,长度)、倾角如叶倾角(点云倾角)、基本体积测量(Convex Hull凸包)

l  可见光成像可以测量植物的结构、宽度、密度、对称性、叶长、叶宽、叶面积、叶角度、叶颜色、叶病斑分析等多个参数

l  近红外成像可以分析植物的水分分布状态、水力学研究、胁迫生理学研究等

l  红外成像可以进行植物干旱胁迫研究、蒸腾研究等

l  根系近红外成像分析植物根系和土柱中的水分分布情况

l  荧光成像可分析植物自发荧光的量

LEMNA_TEC_PH-086102-32bc1.jpg

LEMNA_TEC_PH-086022bc1-2.jpg

 

应用领域

植物生理学、农业科学、植物病理学、遗传育种、突变株筛选、植物形态建模、植物胁迫生理学、植物水力学等研究领域。


系统主要技术参数

自动传送系统

l  支架高度:800 mm

l  支撑腿尺寸:直径8 cm

l  单条支撑腿承重:1000 kg,变幅+/- 100 kg

l  IP-防护等级:IP54,以下部件防护等级可达IP67:IO模块、传送带马达、传感器、阀岛和接线盒。系统所有组件都可以在喷水条件下使用

l  指令和条例:机械指令(2006/42/EG)、低电压指令(2006/95/EG)、电磁兼容性指令(EMC)(2004/108/EG))

l  安全运输的植物高度可到2米

l  传送带传动速度可达9m/min,可靠性99%以上

l  传送带马达设置为6m/个

l  用于搭载植物的传送带单点最大允许载荷可达10kg或定制其他规格(包括植物、土壤和传送车)

l  传送方式:循环式推进传送系统,接收来自传送系统的植物,运输到成像单元中进行成像,然后将植物送回到传送系统上

l  传送车:传送车数量可定制化,承载重量可定制化,植物培养高度可定制化

l  可升级性:传送系统为模块化配置,并能够在后续进行升级扩展,以达到增加通量之目的,也可在传送带上增加其他控制模块或成像模块。

l  兼容性:传送系统能够允许在其适当位置集成增加自动浇水和称重装置、营养盐添加装置、喷淋装置等的一种或几种;还可进一步增加任意其他成像单元,以满足后续增加的实验需求。

l  电子识别:通过RFID射频标记(192比特)识别传送车,每个传送车具有唯一的射频码,射频码即为该车的身份证,每个车上植物的表型信息均与该射频码关联,能够避免数据混乱,也可方便查询数据。

l  传送系统容量:可根据用户需求定制。

CIMG8405.jpgpk10手机官网   


3D激光扫描成像单元

l  可在白天和阳光直射下使用,测量不受日光影响

l  顶部成像时可测量的宽度1。000米,所有视图的可测深度0。5米,侧面成像时Z轴可测量距离 0-1。5米。

l  扫描分辨率:3D激光扫描成像单元搭载在机器人系统上,跟随机械臂围绕植物旋转进行测定,X/Y/Z三轴上的最大扫描分辨率均可达0.25毫米。

l  扫描速度:在保证分辨率为0。25毫米时,扫描速度可达10m/min。

l  扫描频率(最大):25KHz

l  激光波长:638nm

l  激光功率:150毫瓦

l  激光等级:3B

l  输出参数指标:大小(高度,宽度,长度)、倾角如叶倾角(点云倾角)、基本体积测量(Convex Hull凸包)等

l  数据采集模式:相机搭载在机器人系统上,3D激光扫描成像单元一起跟随机械臂围绕植物旋转进行测定,可实现多角度运转,围绕植物移动测定,确保3D激光扫描在X/Y/Z三轴上的最大扫描分辨率均为0.25毫米,获取高分辨率图片。

image.png


高光谱成像单元

l  可用波长:400-1700 nm

l  光谱FWHM:5。5 nm-8 nm

l  缝宽:42um

l  光谱带:400个

l  成像速度:全谱段采集速度为330行/秒,选择波段采集速度最高可达9900行/秒

l  检测器:CMOS

l  空间分辨率:1024 px

l  信噪比600:1,且最大可到1000:1

l  相机重量:4kg

l  数据采集模式:高光谱成像单元搭载在机器人系统上,跟随机械臂围绕植物旋转进行测定,检测器全方位立体环绕植物移动测定,可实现任意角度运转,以保证最大的光谱反射值被检测到。

l  可在线测量分析参数:叶黄素、叶绿素等色素的反射峰值、叶片组织构造如海绵组织的反射率、叶片生化组分光谱值、植物光谱反射指数(NDVI、RVI、GVI等)


image.png


机器人系统

l  2D高光谱成像单元与3D激光扫描系统安装在自动化机器人系统的机械臂上。这种设计能够将3D激光扫描和2D高光谱数据更好的融合,从而比起单独用2D图形而言对数据能够起到更精确的修正。能自动且精准测定植物各个部位的光谱反射率。

l  高光谱相机可以测量从400nm至1700nm的光谱带,高光谱成像系统集成在自动机械臂上,配备一个高光谱成像单元,从400nm至1700nm的可见光至红外光区相机。高光谱照相机的工作就像线扫描照相机,收集和集成像素点以产生完整的图像。相机照明系统也将在一条直线上给高光谱相机提供足够的光强,以满足成像需求。本机械臂系统将被稳固地安装在地面,并在其周围设置防护挡板防止事故和意外伤害。带有高光谱相机和照明系统的机械臂提供了比常规成像集成方法更好的高光谱成像分辨率。在常规的高光谱成像集成中,相机需要被特殊的安装,从而允许从植物端进行手动的二维成像调整。本系统中光照模块为卤素灯,安置在成像区域后方。如果光源离高光谱相机较远,会导致光线不足,从而无法得到高质量图片。另外,3D激光扫描系统被安装在高光谱相机旁边。这种设计能够将3D激光扫描和2D高光谱数据更好的融合,从而比起单独用2D图形而言对数据能够起到更精确的修正。

l  利用激光进行高度分析和3D植物建模可测量植物结构学方面的特征,例如叶片数量或者冠层规模等。激光扫描对植物快速扫描成像具有高分辨率和高精度的特点,因此能够在很高的水平上研究相关细节。激光扫描通过3D点阵云图能够收集复杂的几何学方面信息,3D点阵云图能够对植物特殊的结构学特征和个别器官例如叶片、茎秆等进行分类和鉴定。激光3D输出数据对新的基于计算机分析的分类方法起到积极的推进作用,这些方法将对未来的植物表型研究的进展意义重大。本系统的激光扫描装置被安装在机械臂上,位于高光谱相机的边上,并且提供高度扫描,在整个三维上精度均为0.25mm。

IMG-20170818-WA0002.jpg


叶绿素荧光成像单元

l  植物光合荧光表型单元:采用调制叶绿素荧光技术实现对88cm x 70cm面积内冠层的多光谱叶绿素荧光测量,用于分析植物光合效率及各项荧光参数等。

l  增配光谱成像单元:配置白光LED(3000K)和405 nm、460 nm、530 nm、660 nm、730 nm的LED,成像单元除了能够测量光合荧光参数外,还能够对NIR波段、叶绿素波段、花青素波段、红光波段、蓝光波段、绿光波段进行成像,并计算叶绿素指数、花青素指数。

l  测量光源:测量光为橙色620nmLED脉冲调制测量光源,最大光强可达4000µmol(photons)/m²。s

l  红外LED光源:735nm红外LED光源用于测量Fo’等

l  相机传感器类型:CCD

l  相机分辨率:1.4Mp像素,有效像素1360*1024

l  图像采集速度:20张/秒(1×1 binning),40张/秒(2×2 binning),100张/秒(8×8 binning)

l  多光谱和彩色图像光源:白光LED(3000K)和405 nm、460 nm、530 nm、660 nm、730 nm的LED

l  光学滤光片:6种高质量光学干涉滤光片

l  暗适应通道:在进行冠层光合荧光测量之前,对植物进行稳态暗适应,通道内配置LED照明装置,可通过软件控制照明装置的开关。可满足每个样品30分钟暗适应时间并保证连续测定,光照强度700μmol/m2/s

l  可在线测量分析参数:Fo、Fm、Fv/ Fm成像、ϕRo成像、ϕPSII成像、 ETR 成像、 NPQDn成像、NPQLn成像、NPQLss成像、RAnth成像、RChl成像、 RNIR成像、RRed成像、RGreen成像、RBlue成像、Fo’成像、Fv’成像、Fv’/Fm’成像、qPDn成像、qPLn成像、qPLss成像、QYDn成像、QYLn成像、QYLss成像、RfdLn成像、RfdLss成像等 

image.png



可见光3D成像模块

l  组成:顶部成像单元和侧面成像单元各一套

l  分辨率:2454 x 2056 像素

l  图像传感器:2/3英寸逐行扫描CCD

l  像素大小:3。45 x 3。45 μm

l  工作环境:温度0-50 ℃,湿度20–80%RH(非结露)

l  UV 防护:可耐受全日照的UV 强度

l  认证:CE, FCC, GenlCam, GigE Vision, IP30

l  高频光源:22 kHz,光强波动范围2%,平均寿命2500 h

 

近红外3D成像模块

l  组成:顶部成像单元和侧面成像单元各一套

l  分辨率:640 x 512像素

l  图像传感器:1/2英寸

l  像素大小:25 x 25 μm

l  光谱范围:900 - 1700 nm

l  工作温度:10 - 55 ℃

l  高频光源:22 kHz,光强波动范围2%,平均寿命2500 h

 

根系近红外3D成像模块

l  组成:顶部成像单元和侧面成像单元各一套

l  分辨率:640 x 512像素

l  图像传感器:1/2英寸

l  像素大小:25 x 25 μm

l  光谱范围:900 - 1700 nm

l  工作温度:10 - 55 ℃

l  高频光源:22 kHz,光强波动范围2%,平均寿命2500 h

 

红外3D成像模块

l  组成:顶部成像单元和侧面成像单元各一套

l  分辨率:320 x 240像素

l  类型:非致冷微测辐射热传感器

l  噪声等效温差(NETD):≤80mK

l  光谱范围:8-14μm

l  温度测量范围:20-200℃ @F/1.0

l  工作温度:10-30°


自动浇水和称重装置

l  工作模式:自动浇水和称重装置与传送系统紧密结合在一起,其中泵和装水的容器(可自动灌满)放置在一个工作台上。灌溉系统的出水臂可以一个点为轴成线性移动。通过一个可以旋转的装置可以将出水臂和喷嘴移动到一个正确的位置,以免伤害植物。在植物表型平台上,植物花盆的高度记录在电子标签(RFID)中,在进行灌溉前系统会根据RFID中的花盆高度信息对出水臂的高度进行调整。

l  泵类型:蠕动泵

l  最大流量:压力为4 bar时,1500 ml/min

l  标准和认证:CE、cETLus

l  防护等级:IP65

l  刻度:5 g

l  校准值:5 g

l  最小负载:5 g

l  最大负载:定制化,原则上不超过30kg

l  材质:全不锈钢材质

image.png


软件系统

LemnaTec软件包分为多个模块:

LemnaLauncher作为切入点,快速地评估测量;所有研究图像,分析结果和元数据均可在LemnaLauncher中访问,并直接与研究者的产品配置和图像分析配置设置相关联。这提供了完整的数据管理和最终的衡量质量的保证。

LemnaControl软件进行实验成像设置和仪器的控制;在控制软件界面,客户可以根据试验计划安排成像工作。 成像工作包括相机的选择、成像区域、高度选择和成像时间等。

LemnaBase提供数据库基础设施,用于存储和访问图像; 对不同实验或者不同工作组的实验数据进行细分;数据库可复制,也可共享图像或结果;数据保护功能,避免覆盖;对某些数据设置限制访问;设定不同级别的用户不同的权限LemnaGrid是综合性的图像分析工具箱;它可以建立不同算法的连接,形成图像处理直观图形化。创建一个图像处理的流 程线路,可从原始图像中提取所需的属性。 为实现高通量的图像处理,可先建立一个图像处理程序(Grid),并可将此 Grid 应用于所有的图像处理。

LemnaMiner进行基本数据分析,并具有所有标准格式的全面导出功能。 可自定义新的分析参数;手动校正,并进行备注,所有操作过程将自动记录;可辨别颜色的微变化;可自动选择;可自定义标准;可通过相对值或绝对值来评估性状。

LemnaShare为世界上LemnaTec公司的用户提供一个公共交流平台。


数据处理及存储系统

l  处理器:英特尔至强处理器E3-1200 v6产品系列,3.0GHz,8M缓存

l  芯片组选项:英特尔芯片组C236,总线速度8GT/s DMI3,TDP:6W,光刻:22nm,每个通道含2个DIMM

l  操作系统:Microsoft® Windows Server® 2016

l  机箱:塔式服务器(通过机架安装时为5U)

l  机架支持:ReadyRails™ II滑轨,用于在具有方孔或无螺纹圆孔的4柱式机架中进行免工具安装,或在4柱式螺纹孔机架中使用工具进行安装,支持可选的免工具电缆管理臂。 

l  通信选项:2个1 GbE LOM

l  尺寸:高度:机箱底座高度430.3mm,带支脚43.3mm,带轮子471.3mm;宽度:机箱底座宽度218mm,带支脚304.5mm

l  深度:前壁到后壁(不含挡板)542.2mm;前部到PSU手柄(不含挡板)578.42mm;前壁到后壁(含挡板)558.6mm;前部到PSU手柄(含挡板)594.82mm

l  驱动器托架:8个3.5"托架

l  设备访问:总共8个USB端口:后置USB端口:2个USB 3.0和4个USB 2.0;前置USB端口:1个USB 2.0和1个USB 3.0

l  内存体系结构:最高可配2400MT/s DDR4 DIMM

l  内存类型:UDIMM

l  内存模块插槽数量:4个

l  内存:16 GB 

l  系统管理:符合IPMI 2.0标准;Dell OpenManage Essentials;Dell OpenManage Mobile

l  Dell OpenManage Power Center;

l  Dell OpenManage集成:Dell OpenManage Integration Suite for Microsoft System Center;Dell OpenManage Integration for VMware vCenter®

l  Dell OpenManage连接:HP Operations Manager ;IBM Tivoli® Netcool® ;CA Network and Systems Management ;Dell OpenManage Plug-in for Oracle® Database Manager

l  远程管理:带生命周期控制器的iDRAC8

l  网络控制器:Broadcom® BCM5720

l  电源选项:1个350 W有线PSU

l  插槽:4个插槽:1x8 PCIe 3.0(x16接口);1x4 PCIe 3.0(x8接口);1x4 PCIe 3.0(x8接口);1x1 PCIe 3.0(x1接口)

l  存储容量:18Tb

l  显卡:支持2D图形和3D图形

l  图像处理终端:根据配置需求定制化配送

servers-poweredge-t330-left-hero-685x350-ng.jpg




应用实例

植物颜色分类

        植物的颜色是反映植物健康状态的关键指标之一,而人肉眼对颜色的敏感度较低,存在较大的视觉误差。利用Greenhouse Scanalyzer Systems系统可以在拍摄植物可见光照片的基础上,通过软件对获得的颜色信息进行锐化处理,从而使原本肉眼不易区分的颜色差别,显著的区分开来。

 未标题-1.gif

pk10手机官网  

植物骨架/结构分析

        植物骨架和架构信息,是非常典型的植物表观信息,是农业信息学的重要研究内容。对于杂交育种而言,Greenhouse Scanalyzer Systems系统有助于快速进行表型筛选,也可用于了解整个生活史以及受到胁迫后的骨架/结构变化。

 1212.gif

 

植物形态学分析

        成像后,通过LemnaTec公司专业的软件工程师团队开发的软件,可以对植物进行详细的三维形态学分析。对于所拍摄的每一张图片,都可获得50多个形态学参数。

2321.gif


估算生物量

        通过顶部成像和多个侧面成像,可以获得植物X、Y、Z三个轴的信息,根据各个方向的叶面积、茎长、茎宽、叶长、颜色等来估算植物的生物量。实验证明这种估算的生物量与实际生物量有非常好的线性关系。

344.gif


利用近红外(NIR)成像分析植株和土壤的水分利用情况

        近红外成像可以直观的反映植物不同部位的含水量,通过软件处理加上代表不同含水量的颜色后,可以非常直观的看出不同处理下植株不同部位的含水量变化。如果植物是生长在专用土柱中,还可以对植物根系和土壤的含水量变化进行定量分析。

4234.gif

21321.gif

注:LemnaTec公司设计的土柱筒,是透明聚丙烯塑料材质,内装自然土壤,高50 cm,直径5、8或10 cm,装土1。5  3。0  5。0 kg,底部有排水孔。培养时土柱外部套上不透明PVC管遮荫,放置苔藓和土壤藻类滋生,测量时将遮光管取下即可。


利用近红外(NIR)成像分析NIR成像分析小麦干燥过程中含水量的变化

        本例是小麦在高温处理下,植株含水量的时间动力学变化可以通过NIR成像直观的反映处来,并进行定量分析。

324234.gif


利用红外(IR)成像检测植物温度差异

        红外成像,也叫热成像,用于检测植株的温度变化。由于植株温度与植物的蒸腾作用和含水量密切相关,因此红外成像常用于干旱胁迫研究、群体蒸腾等领域。

4345232.gif


利用红外成像反映小麦气孔的关闭

        照光时气孔开放,叶片进行蒸腾作用。关光4 min后就检测到叶片温度的显著上升,说明气孔开始关闭。Scanalyzer 3D系统可以非常灵敏的检测气孔状态。

 23432.gif

 

静态根密度分析

        Greenhouse Scanalyzer Systems系统可以拍摄生长在土柱中的植物根系可见光照片,软件自动分析土柱表层的根系。由于土柱的运输车下自带程序控制的旋转台,就可以通过软件控制自动顺序旋转90度角来完成4个不同侧面的成像,获得更完善的根系信息。

 232546.gif

 

根系动态生长分析

     Greenhouse Scanalyzer Systems系统可以全自动、高通量的拍摄植物根系照片,结合电子标签,就可以对特定编号的植物根系数据进行时间动力学分析。从下图中的结果可以看出,从第35-100天,根生长最快,从表层有大量的根往下生长,从第35-60天,浇水过量,导致底部很多根死亡。

 1457.gif

 

鉴定非转基因植物

        喷洒农药后,没有转入抗农药基因的植物,可以通过颜色鉴定出来。

3542313.gif


植物个体和群体的形态学应用举例

        Scanalyzer 3D成像系统可以获得大量的形态学参数,并且针对不同的材料,可以获得有针对性的参数。下面是几个例子:

111111111.gif

222222222.gif

333333333.gif


物开花过程的动态监测

        由于绝大多数植物的花的颜色与茎叶不同,利用Scanalyzer 3D成像系统的高通量、全自动、带电子标签的特性,就可以自动监测植物是否开花、开花时间、花朵数目、花朵发育阶段、花败时间等信息。

231231231313.gif

产地:德国


参考文献

Lobiuc, A。; Vasilache, V。; Oroian, M。; Stoleru, T。; Burducea, M。; Pintilie, O。; Zamfirache, M。-M。 (2017) Blue and Red LED Illumination Improves Growth and Bioactive Compounds Contents in Acyanic and Cyanic Ocimum basilicum L。 Microgreens。 Molecules

Brugière, Norbert; Zhang, Wenjing; Xu, Qingzhang; Scolaro, Eric J.; Lu, Cheng; Kahsay, Robel Y.; Kise, Rie; Trecker, Libby; Williams, Robert W.; Hakimi, Salim; Niu, Xiping; Lafitte, Renee; Habben, Jeffrey E. (2017) Overexpression of RING Domain E3 Ligase ZmXerico1 Confers Drought Tolerance through Regulation of ABA Homeostasis. Plant Physiology

D. Marko; N. Briglia; S. Summerer; A. Petrozza; F. Cellini; R. Iannacone (2017) High-Throughput Phenotyping in Plant Stress Response: Methods and Potential Applications to Polyamine Field. Polyamines

Velumani, K。; Oude Elberink, S。; Yang, M。 Y。; BARET, F。 (2017) Wheat Ear Detection in Plots by Segmenting Mobile Laser Scanner Data。 ISPRS Ann。 Photogramm。 Remote Sens。 Spatial Inf。 Sci。

Maria I. Stavropoulou, Apostolis Angelis, Nektarios Aligiannis, Eleftherios Kalpoutzakis, Sofia Mitakou, Stephen O. Duke, Nikolas Fokialakis (2017) Phytotoxic triterpene saponins from Bellis longifolia, an endemic plant of Crete. Phytochemistry

Srinivasan Vijayarangan, Paloma Sodhi, Prathamesh Kini, James Bourne, Simon Du, Hanqi Sun, Barnabas Poczos, Dimitrios Apostolopoulos, and David Wettergreen (2017) High-throughput Robotic Phenotyping of Energy Sorghum Crops. Field and Service Robotics.

Coneva, Viktoriya; Frank, Margaret H.; Balaguer, Maria A. de Luis; Li, Mao; Sozzani, Rosangela; Chitwood, Daniel H. (2017) Genetic Architecture and Molecular Networks Underlying Leaf Thickness in Desert-Adapted Tomato Solanum pennellii. Plant Physiology

Zhou, Ji; Applegate, Christopher; Dobon Alonso, Albor; Reynolds, Daniel; Orford, Simon; Mackiewicz, Michal; Griffiths, Simon; Penfield, Steven; Pullen, Nick (2017) Leaf-GP: An Open and Automated Software Application for Measuring Growth Phenotypes for Arabidopsis and Wheat。 bioRxiv

Guo, Doudou; Juan, Jiaxiang; Chang, Liying; Zhang, Jingjin; Huang, Danfeng (2017) Discrimination of plant root zone water status in greenhouse production based on phenotyping and machine learning techniques. Scientific reports

Kerstin Neumann, Yusheng Zhao, Jianting Chu, Jens Keilwagen, Jochen C. Reif, Benjamin Kilian and Andreas Graner (2017) Genetic architecture and temporal patterns of biomass accumulation in spring barley revealed by image analysis. BMC Plant Biology

Pandey, Piyush; Ge, Yufeng; Stoerger, Vincent; Schnable, James C. (2017) High Throughput In vivo Analysis of Plant Leaf Chemical Properties Using Hyperspectral Imaging. Frontiers in Plant Science

Majewsky, Vera; Scherr, Claudia; Schneider, Claudia; Arlt, Sebastian Patrick; Baumgartner, Stephan (2017) Reproducibility of the effects of homeopathically potentised Argentum nitricum on the growth of Lemna gibba L. in a randomised and blinded bioassay. Homeopathy

Liang, Zhikai; Pandey, Piyush; Stoerger, Vincent; Xu, Yuhang; Qiu, Yumou; Ge, Yufeng; Schnable, James C. (2017) Conventional and hyperspectral time-series imaging of maize lines widely used in field trials. bioRxiv

Parlati, Aurora; Valkov, Vladimir T.; D'Apuzzo, Enrica; Alves, Ludovico M.; Petrozza, Angelo; Summerer, Stephan; Costa, Alex; Cellini, Francesco; Vavasseur, Alain; Chiurazzi, Maurizio (2017) Ectopic Expression of PII Induces Stomatal Closure in Lotus japonicus. Frontiers in Plant Science

Md. Matiur Rahaman; Md. Asif Ahsan; Zeeshan Gillani; Ming Chen (2017) Digital BiomassAccumulation Using High-Throughput Plant Phenotype Data Analysis. Journal of Integrative Bioinformatics

Weber, Jonas F.; Kunz, Christoph; Peteinatos, Gerassimos G.; Santel, Hans-Joachim; Gerhards, Roland (2017) Utilization of Chlorophyll Fluorescence Imaging Technology to Detect Plant Injury by Herbicides in Sugar Beet and Soybean. Weed Technology

 Salas Fernandez, Maria G.; Bao, Yin; Tang, Lie; Schnable, Patrick S. (2017) A High-Throughput, Field-Based Phenotyping Technology for Tall Biomass Crops. Plant Physiology

Ampatzidis, Yiannis; Bellis, Luigi de; Luvisi, Andrea (2017) Robotic Applications and Management of Plants and Plant Diseases。 Sustainability

Atieno, Judith; Li, Yongle; Langridge, Peter; Dowling, Kate; Brien, Chris; Berger, Bettina; Varshney, Rajeev K.; Sutton, Tim (2017) Exploring genetic variation for salinity tolerance in chickpea using image-based phenotyping. Scientific Reports

Malia A. Gehan and Elizabeth A. Kellogg (2017) High-throughput phenotyping. American Journal of Botany Pouria Sadeghi-Tehran, Kasra Sabermanesh, Nicholas Virlet, Malcolm J Hawkesford (2017) Automated Method to Determine Two Critical Growth Stages of Wheat: Heading and Flowering. Frontiers In Plant Science

Shafiekhani, Ali; Kadam, Suhas; Fritschi, Felix B.; DeSouza, Guilherme N. (2017) Vinobot and Vinoculer: Two Robotic Platforms for High-Throughput Field Phenotyping. Sensors

Ferreira, Mariana C。; Cantrell, Charles L。; Duke, Stephen O。; Ali, Abbas; Rosa, Luiz H。 (2017) New Pesticidal Diterpenoids from Vellozia gigantea (Velloziaceae), an Endemic Neotropical Plant Living in the Endangered Brazilian Biome Rupestrian Grasslands。 Molecules

Malinowska, Marta; Donnison, Iain S。; Robson, Paul R。H。 (2017) Phenomics analysis of drought responses in Miscanthus collected from different geographical locations。 GCB Bioenergy

Muraya, Moses M.; Chu, Jianting; Zhao, Yusheng; Junker, Astrid; Klukas, Christian; Reif, Jochen C.; Altmann, Thomas (2017) Genetic variation of growth dynamics in maize (Zea mays L.) revealed through automated noninvasive phenotyping // Genetic variation of growth dynamics in maize (Zea mays L.) revealed through automated non-invasive phenotyping. The Plant Journal

Lucia M. Acosta-Gamboa, Suxing Liu, Erin Langley, Zachary Campbell, Norma Castro-Guerrero, David Mendoza-Cozatl, Argelia Lorence (2017) Moderate to severe water limitation differentially affects the phenome and ionome of Arabidopsis. Functional Plant Biology

Shao, M. R.,Kumar Kenchanmane Raju, S.Laurie, J. D.Sanchez, R.Mackenzie, S. A.(2017). Stress-responsive pathways and small RNA changes distinguish variable developmental phenotypes caused by MSH1 loss. BMC Plant Biol

Van De Velde, K.Chandler, P. M.Van Der Straeten, D.Rohde, A. (2017). Differential coupling of gibberellin responses by Rht-B1c suppressor alleles and Rht-B1b in wheat highlights a unique role for the DELLA N-terminus in dormancy.J Exp Bot

Shafiekhani, A。,Kadam, S。,Fritschi, F。 B。,DeSouza, G。 N。 (2017)。 Vinobot and Vinoculer: Two Robotic Platforms for High-Throughput Field Phenotyping。Sensors (Basel)

Minervini, M。,Giuffrida, M。 V。,Perata, P。,Tsaftaris, S。 A。 (2017)。 Phenotiki: an open software and hardware platform for affordable and easy image-based phenotyping of rosette-shaped plants。Plant J

An, N., S. M. Welch, R. J. C. Markelz, R. L. Baker, C. M. Palmer, J. Ta, J. N. Maloof and C. Weinig (2017). "Quantifying time-series of leaf morphology using 2D and 3D photogrammetry methods for high-throughput plant phenotyping." Computers and Electronics in Agriculture 135: 222-232.

Arend, D。, M。 Lange, J。 M。 Pape, K。 Weigelt-Fischer, F。 Arana-Ceballos, I。 Mucke, C。 Klukas, T。 Altmann, U。 Scholz and A。 Junker (2016)。 "Quantitative monitoring of Arabidopsis thaliana growth and development using high-throughput plant phenotyping。" Sci Data 3: 160055。

Barboza-Barquero, L., K. A. Nagel, M. Jansen, J. R. Klasen, B. Kastenholz, S. Braun, B. Bleise, T. Brehm, M. Koornneef and F. Fiorani (2015). "Phenotype of Arabidopsis thaliana semi-dwarfs with deep roots and high growth rates under water-limiting conditions is independent of the GA5 loss-of-function alleles." Ann Bot 116(3): 321-331.

Bergstrasser, S。, D。 Fanourakis, S。 Schmittgen, M。 P。 Cendrero-Mateo, M。 Jansen, H。 Scharr and U。 Rascher (2015)。 "HyperART: non-invasive quantification of leaf traits using hyperspectral absorption-reflectance-transmittance imaging。" Plant Methods 11(1): 1。

Cabrera-Bosquet, L。, C。 Fournier, N。 Brichet, C。 Welcker, B。 Suard and F。 Tardieu (2016)。 "High-throughput estimation of incident light, light interception and radiation-use efficiency of thousands of plants in a phenotyping platform。" New Phytol 212(1): 269-281。

Campbell, M。 T。, A。 C。 Knecht, B。 Berger, C。 J。 Brien, D。 Wang and H。 Walia (2015)。 "Integrating Image-Based Phenomics and Association Analysis to Dissect the Genetic Architecture of Temporal Salinity Responses in Rice。" Plant Physiol 168(4): 1476-1489。

Chen, D., K. Neumann, S. Friedel, B. Kilian, M. Chen, T. Altmann and C. Klukas (2014). "Dissecting the phenotypic components of crop plant growth and drought responses based on high-throughput image analysis." Plant Cell 26(12): 4636-4655.

Cwiek-Kupczynska, H., T. Altmann, D. Arend, E. Arnaud, D. Chen, G. Cornut, F. Fiorani, W. Frohmberg, A. Junker, C. Klukas, M. Lange, C. Mazurek, A. Nafissi, P. Neveu, J. van Oeveren, C. Pommier, H. Poorter, P. Rocca-Serra, S. A. Sansone, U. Scholz, M. van Schriek, U. Seren, B. Usadel, S. Weise, P. Kersey and P. Krajewski (2016). "Measures for interoperability of phenotypic data: minimum information requirements and formatting." Plant Methods 12: 44.

da Silva, J。 M。 (2016)。 "Monitoring Photosynthesis by In Vivo Chlorophyll Fluorescence: Application to High-Throughput Plant Phenotyping。"

Ferdous, J。, R。 Whitford, M。 Nguyen, C。 Brien, P。 Langridge and P。 J。 Tricker (2016)。 "Drought-inducible expression of Hv-miR827 enhances drought tolerance in transgenic barley。" Funct Integr Genomics。

Ge, Y., G. Bai, V. Stoerger and J. C. Schnable (2016). "Temporal dynamics of maize plant growth, water use, and leaf water content using automated high throughput RGB and hyperspectral imaging." Computers and Electronics in Agriculture 127: 625-632.

Jinhai Cai, M. O., Judith Atieno, Tim Sutton, Yongle Li, Stanley J. Miklavcic (2016). "Quantifying the onset and progression of plant senescence by color image analysis for high throughput applications."

Joalland, S., C. Screpanti, A. Gaume and A. Walter (2015). "Belowground biomass accumulation assessed by digital image based leaf area detection." Plant and Soil 398(1-2): 257-266.

Junker, A., M. M. Muraya, K. Weigelt-Fischer, F. Arana-Ceballos, C. Klukas, A. E. Melchinger, R. C. Meyer, D. Riewe and T. Altmann (2014). "Optimizing experimental procedures for quantitative evaluation of crop plant performance in high throughput phenotyping systems." Front Plant Sci 5: 770.

Kirchgessner, N., F. Liebisch, K. Yu, J. Pfeifer, M. Friedli, A. Hund and A. Walter (2017). "The ETH field phenotyping platform FIP: a cable-suspended multi-sensor system." Functional Plant Biology 44(1): 154.

Laflamme, B。, M。 Middleton, T。 Lo, D。 Desveaux and D。 S。 Guttman (2016)。 "Image-Based Quantification of Plant Immunity and Disease。" Mol Plant Microbe Interact 29(12): 919-924。

Li, S., D. Zhu, X. Zhang, L. Li, D. An, Q. Ma, F. Zhang and Z. Liu (2015). "Advances in crop phenotyping and multi-environment trials." Frontiers of Agricultural Science and Engineering 2(1): 28.

Lin, Y. (2015). "LiDAR: An important tool for next-generation phenotyping technology of high potential for plant phenomics?" Computers and Electronics in Agriculture 119: 61-73.

Meepagala, K。 M。, R。 D。 Johnson, N。 Techen, D。 E。 Wedge and S。 O。 Duke (2015)。 "Phomalactone from a Phytopathogenic Fungus Infecting ZINNIA elegans (ASTERACEAE) Leaves。" J Chem Ecol 41(7): 602-612。

Minervini, M., M. V. Giuffrida, P. Perata and S. A. Tsaftaris (2017). "Phenotiki: an open software and hardware platform for affordable and easy image-based phenotyping of rosette-shaped plants." Plant J.

Neilson, E. H., A. M. Edwards, C. K. Blomstedt, B. Berger, B. L. Moller and R. M. Gleadow (2015). "Utilization of a high-throughput shoot imaging system to examine the dynamic phenotypic responses of a C4 cereal crop plant to nitrogen and water deficiency over time." J Exp Bot 66(7): 1817-1832.

Rahaman, M. M., D. Chen, Z. Gillani, C. Klukas and M. Chen (2015). "Advanced phenotyping and phenotype data analysis for the study of plant growth and development." Front Plant Sci 6: 619.

Rungrat, T。, M。 Awlia, T。 Brown, R。 Cheng, X。 Sirault, J。 Fajkus, M。 Trtilek, B。 Furbank, M。 Badger, M。 Tester, B。 J。 Pogson, J。 O。 Borevitz and P。 Wilson (2016)。 "Using Phenomic Analysis of Photosynthetic Function for Abiotic Stress Response Gene Discovery。" Arabidopsis Book 14: e0185。

Shafiekhani, A。, S。 Kadam, F。 B。 Fritschi and G。 N。 DeSouza (2017)。 "Vinobot and Vinoculer: Two Robotic Platforms for High-Throughput Field Phenotyping。" Sensors (Basel) 17(1)。

Shao, M. R., S. Kumar Kenchanmane Raju, J. D. Laurie, R. Sanchez and S. A. Mackenzie (2017). "Stress-responsive pathways and small RNA changes distinguish variable developmental phenotypes caused by MSH1 loss." BMC Plant Biol 17(1): 47.

Stefan Paulus, T。 D。, Marcus Jansen (2016)。 "Intuitive image analyzing on plant data throughput plant analysis with LemnaTec Image Processing。"

Stefan Paulus, T。 D。, Marcus Jansen (2016)。 "Stop coding–Start analysing。"

Takahashi, F., J. Tilbrook, C. Trittermann, B. Berger, S. J. Roy, M. Seki, K. Shinozaki and M. Tester (2015). "Comparison of Leaf Sheath Transcriptome Profiles with Physiological Traits of Bread Wheat Cultivars under Salinity Stress." PLoS One 10(8): e0133322.

Van De Velde, K., P. M. Chandler, D. Van Der Straeten and A. Rohde (2017). "Differential coupling of gibberellin responses by Rht-B1c suppressor alleles and Rht-B1b in wheat highlights a unique role for the DELLA N-terminus in dormancy." J Exp Bot.

Vello, E., A. Tomita, A. O. Diallo and T. E. Bureau (2015). "A Comprehensive Approach to Assess Arabidopsis Survival Phenotype in Water-Limited Condition Using a Non-invasive High-Throughput Phenomics Platform." Front Plant Sci 6: 1101.


收 藏