#高通量成像

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。

提出像素级多任务深度学习框架，从高光谱数据高通量估算作物光合表型参数。

综述水下光学图像中的小目标检测，梳理问题、数据集、算法，并展望未来方向。

提出一种结合动态S盒与RC4流密码的卫星图像加密解密方案，提高安全性。

用经济型多光谱成像结合知识蒸馏压缩模型，实现小麦线条花叶病毒早期检测。

提出一种结合深度学习和几何建模的猫姿态自动分析框架，从RGB图像提取临床可解释的姿态描述符。

综述图像分割从经典方法到深度学习的演变，比较精度、计算成本和速度。

提出一种注意力引导的自适应多尺度融合方法，提升遥感图像目标检测精度。