摘要：小麦作为我国重要的粮食作物，其产量稳定关乎着国家粮食安全的战略根基。在保障“口粮绝对安全”的时代背景下，提高单产是育种科研的永恒命题。单位面积穗数是小麦籽粒产量构成的重要性状，更是育种家最关注的性状指标。传统依赖人工的逐行逐株的田间穗数调查方法，费时费力且存在
小麦作为我国重要的粮食作物，其产量稳定关乎着国家粮食安全的战略根基。在保障“口粮绝对安全”的时代背景下，提高单产是育种科研的永恒命题。单位面积穗数是小麦籽粒产量构成的重要性状，更是育种家最关注的性状指标。传统依赖人工的逐行逐株的田间穗数调查方法，费时费力且存在主观判断差异，导致数据稳定性不足，阻碍了规模化育种工作。而基于深度学习的智能图像识别技术，可高效获取小麦冠层穗数的时序图像数据，深度学习算法能从中精准分割、识别并计数麦穗，处理速度远超人工百倍。精准的穗数表型数据与全基因组高密度SNP芯片分型信息结合，发掘与穗数调控相关基因，开发出育种可用标记，将有力推进小麦育种向数字化、智能化、设计化、高效化方向演变。
2025年6月，Plant Phenomics在线发表了中国农业科学院作物科学研究所和农业环境与可持续发展研究所题为RGB imaging and computer vision-based approaches for identifying spike number loci for wheat的研究论文。
本研究利用2个RIL群体（中麦175/轮选987、中麦895/济麦22）共408个家系和1个自然群体166品种，构建了覆盖抽穗至生理成熟期的小麦穗部图像数据集。通过深度学习YOLOX模型验证发现，灌浆后期数据最适合进行麦穗识别任务。进一步优化YOLOX原模型架构，建立了一种新型YOLOX-P算法。该算法通过集成注意力机制模块，并提升了输入图像的分辨率，显著提高了麦穗识精度。利用中麦578/济麦22 RIL群体获得的四个环境冠层RGB图片，进行了模型泛化性能和精度验证，优化后模型在灌浆后期识别精度达94.16%以上。通过结合50 K SNP芯片数据构建的高密度遗传图谱，分别对人工获取和模型验证（YOLOX和YOLOXP）下获得表型结果进行单位面积穗数QTL定位研究，共定位到3 个稳定表达的单位面积穗数QTL，分别位于4A、4D和5B染色体上，即QSN.caas-4A2、QSN.caas-4D和QSN.caas-5B2。基于QSN.caas-4A2和QSN.caas-5B2位点开发出两个育种可用KASP标记，并在166个自然群体品种中完成有效性验证。该研究为小麦穗数高通量表型鉴定及分子设计育种提供了关键技术支撑。
图1. 小麦亩穗数识别模型的工作流程及其在遗传育种中的应用。中间部分为YOLOX 和改进的YOLOX-P模型结构，主要分为四个部分，分别用虚线矩形框括起来：图像增强模块、骨干特征提取网络、特征金字塔模块和YOLO 解耦头结构。黑色和蓝色文本分别表示YOLOX 和 YOLOX-P 模型在不同输入层使用的图像分辨率。CBS 模块由卷积层、批量归一化层和 SiLU 激活函数组成。融合通道和空间注意力机制的 CBAM 被整合到 YOLOX-P 模型中。
图2. 在中麦175/轮选987 群体中基于 YOLOX 的不同生长阶段穗数识别模型可视化分析。F、EGF、MGF、LGF 和 M 分别表示开花期、灌浆初期、灌浆中期、灌浆后期和生理成熟期。
图3. a) 中麦578/济麦22 RIL 群体单位面积穗数QTL定位结果。b） QSN.caas-4A和QSN.caas-5B.2的KASP标记开发与验证。VSN-Org 表示原始 YOLOX 算法预测的单位面积穗数表型; VSN-P 表示改进的 YOLOX-P 算法预测单位面积穗数表型；MSN 表示通过人工计数得到的单位面积穗数；红点对应于 HEX 尾引物的纯合基因型；蓝点对应于 FAM 尾引物的纯合基因型;；粉红色的点代表未知的基因型；** 和 * 表示两种基因型之间单位面积穗数差异在P 和P 下是否存在显著性；NS 表示无显著差异。误差线表示标准差。2020XXF：2020年新乡灌溉环境；2020LHL：2020 年漯河节水环境；2019XXF：2019 年新乡灌溉环境；2019XXL：2019 年新乡节水环境；2019ZKF：2019年周口灌溉环境；2019ZKL：2019年周口节水环境。
中国农业科学院作物科学研究所和农业环境与可持续发展研究所联合培养博士生李雷和Muhammad Adeel Hassan为该论文第一作者，刘金栋副研究员和肖永贵研究员为通信作者。该研究得到STI2030重大项目（2023ZD04076）、国家自然科学基金（32372196、32250410307）和北京市种质创新与新品种培育联合攻关计划（G20220628002）的资助。
论文链接：
来源：美少女科学家