Current Issue: <JZUS-B>
Journal of Zhejiang University-SCIENCE B (Biomedicine & Biotechnology)
ISSNs 1673-1581 (Print); 1862-1783 (Online); CN 33-1356/Q; started in 2005, Monthly.
JZUS-B is an international "Biomedicine & Biotechnology" reviewed-Journal indexed by SCI-E, MEDLINE, PMC, BA, BIOSIS Previews, JST, ZR, CA, SA, AJ, ZM, CABI, CSA, etc., and supported by the National Natural Science Foundation of China. It mainly covers research in Biomedicine, Biochemistry and Biotechnology, etc.
Impact factor: 1.099 (2011), 1.108 (2012), 1.293 (2013), 1.278 (2014), 1.303 (2015), 1.676 (2016), 1.815 (2017), 1.879 (2018), 2.082 (2019), 3.066 (2020), 5.552 (2021).
Journal of Zhejiang University-SCIENCE B
ISSN 1673-1581(Print), 1862-1783(Online), Monthly
2026 Vol.27 No.5 P.431-560
<43> <32>CONTENTS
Special Column on AI in Plant Phenotyping: From Cells to Fields
Guest Editors-in-Chief: Zhenhai LI, Kun WANG, Xuping FENG
Editorial
Advancing multi-scale plant phenotyping for precision agriculture and sustainable crop production
Xuping FENG, Zhenhai LI, Kun WANG
DOI: 10.1631/jzus.B2610001 Downloaded: 43 Clicked: 92 Cited: 0 Commented: 0(p.431-436) <Full Text>
Research Articles
Optimized substrate selection for enhanced orchid growth based on high-throughput lysimetric arrays
Jia YAO, Xubo KE, Xinyue GU, Zhihan JIANG, Zhengzheng YING, Chenze LU, Chongbo SUN, Pei XU
DOI: 10.1631/jzus.B2500195 Downloaded: 1485 Clicked: 1981 Cited: 0 Commented: 0(p.437-449) <Full Text> <PPT > 16
1中国计量大学生命科学学院， 农业植物计量与设备创新国际联合实验室， 中国杭州市， 310018
2仙居县特色技术推广中心， 中国台州市， 317300
3浙江省农业科学院园艺研究所， 中国杭州市， 310021
摘要：兰花极具观赏价值，其生长状况与园艺产业的经济效益息息相关。基质作为兰花的物理支撑和养分储备库，对其生长意义重大。因此，精准筛选适宜的生长基质在兰花栽培中占据关键地位。目前，有关兰花生长与基质特性关联的研究，大多仍借助人工测量生理指标的方式展开，高通量表型平台在该领域的应用尚显不足。本研究对泥炭土与珍珠岩的混合物、松树皮以及河沙三种不同类型基质展开评估，并将其应用于春兰和蕙兰这两个兰花品种。本研究借助高通量的Plantarray表型平台，对环境参数（光合有效辐射、湿度以及温度）以及关键生长指标（生物量积累、冠层导度和蒸腾速率）进行持续性记录。研究结果表明，基质类型对兰花生长影响显著。在受控环境下，较于其他基质，能提供均衡养分且具备良好排水性能的混合基质可促进兰花生长。此外，高通量表型平台获取数据与传统人工测量数据对比显示自动化系统在可靠性和准确性方面表现更为突出。综上，本研究不仅为兰花栽培过程中基质的合理选择提供了切实可行的指导建议，同时也为先进表型技术深度融入兰花栽培实践奠定坚实的科学基础。
关键词组：
Wang ZHANG, Yi REN, Zidi GUO, Han LI, Man ZHANG, Jie LIU, Ruicheng QIU
DOI: 10.1631/jzus.B2500225 Downloaded: 948 Clicked: 2013 Cited: 0 Commented: 0(p.450-465) <Full Text> <PPT > 18
1中国农业大学智慧农业系统集成研究教育部重点实验室， 中国北京市， 100083
2中国农业大学信息与电气工程学院， 中国北京市， 100083
3烟台市农业科学研究院， 中国烟台市， 265500
摘要：赤霉病作为小麦的一种常见病害，可导致小麦严重减产，并使籽粒产生霉菌毒素。选育抗赤霉病的小麦品种是减少病害损失的重要手段，但赤霉病的人工评估耗时费力且检测效率低。本研究提出了一种基于彩色图像和深度学习的小麦赤霉病检测与评估方法，可实现小麦赤霉病的快速检测。首先，本研究基于YOLO v8s架构设计了轻量化卷积神经网络模型，用于彩色图像中的麦穗检测，对麦穗检测平均精度达到0.964；随后基于麦穗检测结果，进一步开发用于小麦小穗与赤霉病检测的轻量化模型，通过引入space-to-depth卷积模块和BiFormer注意力模块，提高了对小目标群体的检测能力，结果显示该模型对小麦小穗和赤霉病的检测平均精度达到0.936；最后，基于小麦小穗的检测结果计算赤霉病病穗率与病情指数，评估小麦赤霉病的病害程度。本方法的病穗率和病情指数检测结果与真实值间的决定系数分别是0.71和0.93，因此，本方法能够实现对小麦赤霉病的精准和高效检测，有助于田间小麦赤霉病的定量评估。
关键词组：
Embedding of ripening topology into one-stage detection for tomato cluster phenotyping
Bingquan CHU, Ruiyuan WU, Haijun ZHANG, Haochuan QIN, Zishun PENG, Fengle ZHU, Yong HE
DOI: 10.1631/jzus.B2500647 Downloaded: 221 Clicked: 386 Cited: 0 Commented: 0(p.466-481) <Full Text> <PPT > 14
1浙江科技大学生物与化学工程学院， 中国杭州， 310023
2浙江工业大学机械工程学院， 中国杭州， 310023
3浙江大学生物系统工程与食品科学学院， 中国杭州， 310058
摘要：番茄成熟度的自动化评估对现代温室作业至关重要，但多变的环境条件为其准确实现带来了持续挑战。为此，本文提出了rank-aware YOLO，一种融合果实簇内自上而下成熟这一生物学先验知识的新型检测框架。该框架通过两项关键创新实现：（1）用于回归果实相对高度的高效位置敏感检测头（efficient position-aware head）；（2）修正空间序列的动态边距感知排序损失（DM-RankLoss）。在包含3500张温室采集图像的数据集上进行评估的结果表明，该模块具有良好的即插即用特性，能将多种YOLO架构的在交并比（IoU）阈值为0.50时的平均精度均值（mAP50）最高提升5.66个百分点。模型有效学习到果实簇的拓扑结构，在归一化高度平均绝对误差（H-MAE）和成对排序准确率上分别达到0.107和84.59%，同时参数量较基线减少超过10%，具备高效部署潜力。可视化分析进一步证实，模型能利用空间上下文信息有效缓解颜色模糊带来的误判。综上，本研究为农业机器人中的原位表型分析提供了一种无需额外传感器的准确且高效的解决方案。
关键词组：
Jinxian TAO, Xiaoli LI, Jingfei ZHANG, Muhammad SHOAIB, Muhammad Adnan ISLAM, Ibrar AHMAD, Yong HE, Sitan YE, Yujie WANG, Binhui LIAO, Mostafa GOUDA
DOI: 10.1631/jzus.B2500693 Downloaded: 348 Clicked: 836 Cited: 0 Commented: 0(p.482-498) <Full Text> <PPT > 15
王玉洁1， 廖彬惠3， Mostafa GOUDA1,2
1浙江大学生物系统工程与食品科学学院， 中国杭州， 310058
2埃及国家研究中心营养与食品科学部， 埃及吉萨， 12622
3莲都区农业农村局， 中国丽水， 323000
摘要：茶类病害（包括褐色疫病和灰色疫病）会显著降低茶叶的产量与品质，在龙井茶生产中尤为突出。传统检测方法易出现误检，而现有深度学习模型在自然田间条件下通常难以保证足够的鲁棒性。为了解决上述问题，本文提出并验证了一种改进的轻量级检测模型-融合非对称多级（AML）机制、动态蛇形卷积（DSC）与SIoU损失函数的YOLO模型（ADS-YOLO）。本研究在自然光照条件下，构建了包含5694张手机拍摄茶叶图像的数据集。以YOLO11n为基线模型，进行了以下主要改进：引入SIoU损失函数以提升边界框回归效果；采用DSC，基于动态空间上下文实现自适应特征提取；设计AML机制，通过自适应多尺度结构实现轻量化的特征融合。研究结果表明，ADS-YOLO的精确率为0.935，召回率为0.870，而基线模型YOLO11n的对应值分别为0.894和0.818。更重要的是，ADS-YOLO实现了137.1 FPS的实时检测性能，同时降低了计算复杂度。相较于YOLOv5n，ADS-YOLO的当交并比阈值为0.5时的平均精度均值（mAP@0.5）提升了6.4%；相较于YOLOv7t，精确率最高提升了44.6%。综上所述，ADS-YOLO实现了高精度检测，可为作物健康实时监测及茶叶生产的精准可持续发展提供可扩展性的解决方案。
关键词组：
Yanni ZHANG, Xiaoyu CHAI, Jinpeng HU, Yaxiao NIU, Lizhang XU
DOI: 10.1631/jzus.B2500830 Downloaded: 161 Clicked: 324 Cited: 0 Commented: 0(p.499-516) <Full Text> <PPT > 21
1江苏大学农业工程学院， 中国镇江， 212000
2江苏大学智能农业机械与装备理论与技术重点实验室， 中国镇江， 212000
摘要：准确估算收获前油菜产量和生物量是实现精准收获的关键前提。然而，目前关于针对油菜生物量与产量估算的系统性研究仍较为匮乏。为填补这一空白，本研究以江苏省油菜为研究对象，在其关键生长阶段（蕾苔期、开花期和结荚期），采用无人机（UAV）获取冠层多光谱和RGB图像。基于图像提取多维特征，采用四种机器学习技术构建生物量和产量估算模型。通过整合多维度和多阶段特征，并结合集成学习策略，本研究引入Shapley值（SHAP）进行特征重要性分析，构建了一个准确且透明的油菜收获属性预测框架。结果表明，光谱-纹理特征组合是生物量估算中最有效的特征组合，而产量估算的最优特征组合则是光谱-纹理-结构特征的三维协同。特征协同与集成学习策略的联合应用，显著提高了油菜生物量和产量估算的准确性（生物量：R2=0.72，rRMSE=14.35%；产量：R2=0.68，rRMSE=13.67%）。所提模型在不同品种与种植密度交互效应下均表现出稳定的预测性能。综上，本研究提出了一种准确且可泛化的油菜生物量产量估算方法，为精准收获提供了新的思路与见解。
关键词组：
Ting LI, Yang LIU, Haikuan FENG, Meiyan SHU, Hao YANG, Yuanyuan FU, Xin XU, Yinghao LIN, Hongbo QIAO, Wei GUO, Xinming MA, Lei SHI, Jibo YUE
DOI: 10.1631/jzus.B2500451 Downloaded: 868 Clicked: 996 Cited: 0 Commented: 0(p.517-536) <Full Text> <PPT > 18
1河南农业大学信息与管理科学学院， 中国郑州， 450046
2河南理工大学定量遥感与智慧农业研究所， 中国焦作， 454000
3农业农村部农业定量遥感重点实验室， 北京市农林科学院信息技术研究中心， 中国北京， 100097
4河南大学深圳研究院， 中国深圳， 450046
5河南大学计算机与信息工程学院， 河南省大数据分析与处理重点实验室， 中国开封， 475001
摘要：作物残茬覆盖度（crop residue cover, CRC）的准确量化对监测与评价保护性耕作至关重要，但面临图像分割难题。破碎残茬与土壤间细微的视觉差异，叠加田间图像中光照和阴影的变化干扰，常导致分割效果不佳。为突破上述局限，本研究提出了RCTUnet--一种专为作物-残茬-土壤稳健分割与精准CRC估算设计的新型深度学习架构。RCTUnet架构深度融合了三个关键模块：（1）ResNet50骨干网络用于深度多尺度特征提取；（2）卷积注意力模块（CBAM）实现通道和空间维度的显著残茬特征自适应聚焦；（3）基于transformer的全局上下文融合模块建模长距离空间依赖性，这对理解异质残茬分布模式至关重要。本研究在1220幅包含四种典型轮作模式的田间图像数据集上评估了RCTUnet模型。实验结果表明，相较传统模型（包括Unet、Unet++、DeepLabV3、SegNet和FCN）：（1）RCTUnet的作物-残茬-土壤分割精度优越性显著，整体准度分别提升3.24%、3.42%、4.88%、8.28%和6.05%；（2）RCTUnet在残茬-土壤分割性能上表现更优，残茬召回率分别提高7.67%、7.37%、14.09%、27.05%和16.91%；（3）RCTUnet显示出最强的CRC估算能力，均方根误差（RMSE）为4.875，较Unet（RMSE=8.941）提高了45.5%。这些结果验证了本研究提出的融合深度层次特征、双域注意力和全局上下文建模的混合架构的有效性。RCTUnet为自动化CRC评估提供了一种稳健可靠的工具，有助于提升田间农业监测能力。
关键词组：
Chunli WANG, Jianan CHI, Xiao ZHANG, Nannan ZHANG
DOI: 10.1631/jzus.B2500403 Downloaded: 870 Clicked: 1355 Cited: 0 Commented: 0(p.537-560) <Full Text> <PPT > 21
1塔里木大学信息工程学院， 中国阿拉尔， 843300
2塔里木大学绿洲农业重点实验室， 中国阿拉尔， 843300
摘要：多时相遥感数据在大规模作物物候识别与分类中应用日益广泛，尤其适用于种植结构复杂的干旱绿洲农业区域的精细化管理。本研究构建了一个融合Sentinel-2多时相影像与归一化植被指数（NDVI）时间序列的深度学习框架，用于对中国新疆图木舒克市的棉花、冬枣和油莎豆进行分类制图。采用最小冗余最大相关（mRMR）算法进行光谱与植被指数特征选择，结合Savitzky-Golay（S-G）滤波与双逻辑函数拟合，自动提取关键物候参数（生长季开始（SOS）、生长季峰值（POS）和生长季结束（EOS）），显著提升了物候特征提取的精度。通过融合多时相Sentinel-2数据与多尺度特征融合策略，系统比较了五种分类模型（MLP、ResNet-18、ConvLSTM、Transformer和RFC），结果表明高分辨率空间细节能显著增强复杂环境下作物边界划定与分类一致性。通过多尺度窗口分析进一步优化Transformer的空间表征能力，发现1×1+3×3+5×5卷积窗口在精度与计算效率间达到最佳平衡。在未参与训练区域的独立验证表明模型具有良好的泛化能力，三种作物（冬枣、棉花和油莎豆）的F1分数分别达到94.37%、87.75%和86.35%。综上所述，本研究验证了Sentinel-2时间序列数据与深度神经网络在多作物环境中具有高精度识别潜力，且能够实现作物分布的精确空间制图，为干旱绿洲地区的智慧农业决策提供方法支持。
关键词组：