#表型识别

Jutarut Chaoraingern、Akarat Pattaraanuvong、Kantapon Paraksa、Kantiporn Khunthong、Tirawat Nontiwantok、Arjin Numsomran(泰国国王科技大学)发表论文。本研究提出一个集成平台,围绕代理AI咨询管道构建,完全在商用硬件上本地运行。管道通过基于条件的路由、意图分类、多步推理和LLM验证门,将基于RAG的Mistral 7B语言模型与LLaVA 7B视觉语言模型耦合,从对话界面提供上下文感知的文本和图像症状级指导。在Cos生菜测试中,该咨询管道在50个查询中达到82.00%加权准确率,涵盖健康、症状、浇水、害虫、根系健康和生长阶段类别。

提出PlantID植物唯一标识符框架，规范表型实验样本追溯与元数据关联。

原文标题: Artificial Intelligence Empowering Modern Agricultural Biological Breeding。作者: 徐启玉、郑波、钟上威（北京大学现代农业研究院、潍坊市科技创新促进中心、北京大学生命科学学院）。DOI: 10.12133/j.smartag.SA202602016。本文系统探究AI驱动植物育种范式变革的底层逻辑，梳理智慧育种的代际演变及其在表型解析、基因组预测和分子设计等关键环节的技术进展，并深入探讨育种大模型对育种全流程的重构作用，以期为中国种业科技实现自立自强提供理论参考。重点阐述AI在种质资源高效挖掘、高通量表型精准解析、全基因组选择模型预测及分子设计育种等关键环节的技术逻辑与实证案例，并针对跨学科数据壁垒、深度学习算法的可解释性不足、复杂变动环境下的模型泛化能力弱等核心挑战进行了深入分析。

开发了BioIMA桌面工具，实现生物图像表型标准化自动提取，无需训练模型。

提出pxGPT框架，用多模态大模型将多视角植物图像转为结构化表型记录。

介绍都灵大学PHENOPLANT平台用PlantEye F500进行植物无损表型测量的实验方案。

开发了PhenoDesk数字表型平台，实现叶片图像自动分割、形态测量与可重复分析。

ALeRT: An RGB-based deep learning pipeline and benchmark for automated phenotyping of rosette and leaf traits in Arabidopsis thaliana。Computers and Electronics in Agriculture