目前，国内多家科研机构、实验室在关于智慧农业方向的科研，已经取得了一定进展，仅在作物表型技术方面，已经在玉米、小麦、棉花、油菜等作物方面获得了进展。

  科研机构：北京农业信息技术研究中心、国家农业信息化工程技术研究中心/数字植物北京市重点实验室、上海海洋大学信息学院

  为解决玉米出苗动态检测监测，依靠人工观测，管理不精准的问题，实现田间精细化管理。北京农业信息技术研究中心携手上海海洋大学等机构，研究以田间作物表型高通量，采集平台获取的高时序可见光图像，和无人机平台获取的可见光图像两种数据源，构建了不同光照条件下的玉米出苗过程图像数据集。对不同品种、不同密度的玉米植株进行出苗动态连续监测，对各玉米品种的出苗维持的时间和出苗整齐度进行评价分析。

  试验根据结果得出，利用本模型得到的动态出苗结果与人工实际观测具有一致性，能够完全满足实际应用场景下玉米出苗自动检验测试的需求，具有鲁棒性和泛化性。

  科研机构：北京农业信息技术研究中心、国家农业信息化工程技术研究中心/数字植物北京市重点实验室、华中农业大学植物科学技术学院

  针对传统籽粒显微性状检测的新方法效率低、误差大且指标单一等问题，该团队研究利用Micro-CT扫描技术对5种类型11个品种玉米籽粒开展显微表型(植物组织、细胞和亚细胞水平的表型信息)精准鉴定研究。

  基于对CT序列图像的处理解析，共获取籽粒、胚、胚乳、空腔、皮下空腔、胚乳空腔和胚空腔的34项显微表型指标。根据结果得出，Micro-CT扫描技术不但可以实现玉米籽粒显微表型的精准鉴定，还可以为玉米(比如：普通玉米、爆裂玉米、甜玉米、高油玉米等)籽粒分类、品种检测等提供技术支撑。

  该团队为提升玉米精准管理上的水准，研究基于3个种植密度和5份玉米材料的田间试验，获取玉米大喇叭口期的地面ASD高光谱数据与无人机高光谱影像，分析不同种植密度下不同遗传材料的叶面积指数(LAI)和单株地上部生物量，构建基于全波段、敏感波段和植被指数的LAI和单株的上部生物量高光谱估算模型，比较分析两类高光谱数据在玉米表型性状参数上的检测能力。

  结果表明，田间非成像高光谱和无人机成像高光谱在玉米LAI及生物量估算方面具备比较好的一致性，能快速有效地提取地块尺度玉米农学参数信息，可为高光谱技术在小区尺度的精准农业管理应用提供参考。

  科研机构：浙江大学生物系统工程与食品科学学院、农业农村部光谱检验测试的重点实验室、浙江大学现代光学仪器国家重点实验室

  针对现有作物生化参数的垂直分布研究，缺乏与光合生理联系的问题，该团队研究主要探究了不同氮素处理水平下，油菜苗期冠层内的叶绿素、类胡萝卜素、干物质和水分等生化参数的垂直分布变化特性，及叶片的光合性能，进一步剖析了荧光响应与生化参数的内在联系。

  试验根据结果得出:应用快速叶绿素荧光技术对作物进行生化信息的垂直异质性检测，具有可行性，可为指导精准施肥和提高优质优产提供新思路和技术支撑。

  科研机构：华中农业大学信息学院、华中农业大学植物科学技术学院、华中农业大学作物遗传改良国家重点实验室等

  为实现作物表型参数高效、准确地测量和作物生育期表型参数的动态量化研究，该团队研究以棉花为研究对象，针对棉花植株主干的几何特性，采用三维激光扫描LiDAR技术获取棉花植株的多时序点云数据，对各植株表型参数动态变化过程进行了量化。

  实验根据结果得出，采用主干提取及叶片分割方法可以在一定程度上完成棉花的枝干和叶片分割。提取的株高、叶长、叶宽等表型参数与人工测量值的决定系数均趋近于1.0;同时，实现了棉花表型参数的动态量化过程，为三维表型技术的实现提供了一种有效方法。

  为解决传统人工统计谷穗费时费力的问题，该团队研究提出了一种基于YOLOv4和自适应锚框调整的谷穗检测的新方法，可快速准确地检测特定框中的谷穗。通过自适应地调整锚框，可生成符合谷穗目标的候选框，从而提升检测的准确率。

  试验根据结果得出，该方法获得了良好的谷穗检测性能，在所有评价标准上均比其他比较模型高出8%，具备比较好的准确性和高效性。

  科研机构：沈阳农业大学信息与电气工程学院、辽宁省农业信息化工程技术探讨研究中心等

  针对当前三维点云处理方法在玉米植株点云中识别雄穗相对困难的问题，该团队提出一种基于超体素聚类和局部特征的玉米植株点云雄穗分割方法。

  结果表明，基于超体素聚类和局部特征的玉米植株点云雄穗分割方法，具备在玉米植株点云中提取雄穗的能力，可为玉米高通量表型检测、玉米三维重建等研究和应用提供技术支持。

  科研机构：北京市农林科学院信息技术研究中心、国家农业信息化工程技术研究中心数字植物北京市重点实验室、西北农林科技大学信息工程学院

  针对小麦植株分蘖多、器官间交叉遮挡严重，难以用图像或点云准确提取植株和器官表型的问题，该团队研究提出了基于三维数字化的小麦植株表型参数提取方法。

  根据三维数字化数据的空间位置语义信息和表型参数的定义，提出了小麦植株表型参数计算方式，实现了小麦植株和器官长度、粗度和角度等3类共11个常规可测表型参数的计算。利用丰抗13号、西农979号和济麦44号三个品种小麦起身期、拔节期、抽穗期三个时期的人工测量值和提取值进行验证。

  结果表明，在保持植株原始三维形态结构的前提下，提取的茎长、叶长、茎粗、茎叶夹角与实测数据精度相比来说较高。该方法能便捷、精确地提取小麦植株和器官形态结构表型参数，为小麦表型相关研究提供了有效技术支撑。

  为深入总结作物表型中三维重构技术探讨研究进展，该团队从作物三维重构的基本方法与应用特点、研究现状和前景展望等三个方面展开综述。从作物三维重构全程自动化、4D表型的构成、作物虚拟生长与模拟育种和智慧农业发展等方面对作物三维重构技术的前景进行了展望。

  作物的三维重构模型对于高通量作物表型获取、作物株型特征评价、植株结构和表型相关性分析等均具备极其重大意义，加快了新品种的选育和优化了田间管理。