PhenoNEST：用于本体感知多模式植物表型和性状发现的神经符号框架

高通量植物表型分析会生成有价值的数据，这些数据通常保留在非结构化文本和孤立的 RGB 图像中。为了弥合这种语义差距，我们提出了一个构建多模式粒度知识图（KG）的框架，以监测跨时间和实验的基因型-表型相互作用。在这项工作中，我们重点关注小麦作为代表性目标作物，以在复杂的冠层环境中验证我们的方法。我们的管道首先提取嘈杂的田间观察记录来提取实体和关系，通过 RDF 类型将唯一实例转换为分层类实体来动态构建知识图谱。然后使用 PlantDeBERTa 将这些图节点与标准化本体（PO、RO、WTO）对齐。为了在视觉上对构建的图进行基础处理，视觉语言模型与小麦分割 ViT 相结合，生成基于注意力的软图，将特定的 KG 实体直接链接到图像像素。我们引入一个中心观察节点 Plant_Obs_Id 来临时连接这些多模态子图。我们的神经符号方法使用指点游戏准确性、视觉词义消歧 (VWSD) 和基于排名的指标对 500 个精选的 WisWheat 样本进行了评估，成功地将复杂的现场观察结果映射到结构化图表。这使得小麦育种者能够进行自动化田间记录审核、时间压力监测和精确的空间性状定位。