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(jiān)測系統(tǒng)——PhenoSight。現誠邀全國區(qū)域經銷商，凡具備一定行業(yè)客戶基礎，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。

全國各地農科院、大學，以及農業(yè)育種相關科研單位，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；

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、全國范圍內符合以上目標客戶要求的科研院所研究人員、高校相關專業(yè)實驗室，經公司內部評估同意后，可免費使用一年；

5、公司提供使用期限范圍內的免費設備硬件支持、現有軟件系統(tǒng)和分析服務；

6、定制算法開發(fā)服務；

7、投放數量：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、表型數據分析需求表，評估表型數據采集與分析、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

—— 產品介紹 ——

物聯網分布式表型監(jiān)測與分析系統(tǒng)PhenoSight是一個物聯網（IoT）支持的表型測量平臺，設計簡單易用，可廣泛應用于多種環(huán)境。并配套一個云端數據管理系統(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據，從而探究基因型、表型和環(huán)境之間的動態(tài)關系。

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、土壤三參數傳感器（水分/溫度/電導率）、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外，還可以實現對該環(huán)境條件下該植物的生長情況進行預測，對指導農業(yè)生產具有重大意義。所有PhenoSight數據通過MQTT協議傳送到云端，進行后期數據處理和管理。

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測分析。

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。

主要優(yōu)勢：

? 高性能：內置AI預處理芯片，實時數據上傳云端，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設計，持續(xù)在實驗室、溫室與田間條件下作業(yè);

? 通用性：結合生物育種技術及環(huán)境因子數據，可實現室內發(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量預測、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;

? 顏色與植被指數：ExR、NGRDI、NDYI、ExG、NPCI，以及客戶定制化需求。

2）溫室或實驗室（種子與幼苗）

? 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、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 ——