报告来自东北农业大学的朱荣胜老师。 此报告介绍了大量的相关工作，并且而非常值得动物领域进行借鉴。表型值是基因组时代的key。
此报告的提纲：
此报告想回答的问题：
0 背景介绍：
植物生态学学科，从描述到量化性状。大豆的特点：
大豆表型：大致分为生长期和成熟些表型：
测量表型，以前就是人工测量表型，现在是仪器自动识别，但是其准确性取决于其内部的算法。
测量表形态表型的算法特点： 算法功能=识别+分类+计算+测量
第一部分 大豆生长期表型
1 基于三维重构的表型研究
拍摄方式
每次转15°，24张照片， 4个角度， 120张 照片
流程：（图像预处理需要人为做）
结果图：
模型提取
如冠层水平的表型提取（需要搭载TXL库）：
叶面积提取步骤：
节间距：
更复杂的性状采用了3D-BoNet
结果分割图
对模型进行估计：以人工测量的为参考值：
结果：基于三维模型的测量≈人工测量
探索更大空间应用：田间三维重构，每块设置一个采样点（放大桶）：
全生育期重构结果：
大桶与田间的植株比较：
应用比较不同时期参试品种的表型比较：
表型指纹：
** 问题和挑战**
2 基于深度学习的表型研究
2.1 大豆花荚表型：
图像花识别（转个拍摄）：
材料：
困难：
由于小目标识别，尽量提取多的特征，方法借鉴Faster R-CNN，改进为SoyflowerRCNN:
试验流程：
参数设置和评价指标：
结果：
模型对比：
对时间序列图：
独立样本验证：
2.2 大豆的荚识别
算法：
结果比较：
独立：
独立验证：
时间序列的动态分析：
3 大豆花荚识别与计数融合模型
算法：
融合：
结果：
时间变化：
使用融合的模型探索大豆落花落荚的规律
结果：
分布部分
落花规律：
落荚规律：
困难与挑战：
4 大豆病程的诊断
例子（缺点破坏性取样）：
数据缺失，设计了新的算法，对叶子随机分割，再预测：
示意算法代码：
评价和调参数：
结果： A为分割小图片，B为整个叶片判断结果
第二部分 大豆成熟期表型
表型分类：
取参考表型：
拍照平台：
模型算法：
引入PCA
算法：
试验设计图：
模型图示：
结果：
具有成熟期， 探索性分析
材料：
特征提取：
多个特征时，可以聚类：
基于得到表型的GWAS分析
群体机构图：
使用，离心率表型
困难和挑战
直接使用整个植株， 无人机识别时，产量预测
第三部分 表型技术的应用和延长
智能表型品台：
已经搭建的平台：
作物：
