中国科学院在水稻分蘖与株型性状高通量获取研究方面取得重要进展。分蘖数与株型紧凑度是影响水稻穗数、群体密度及产量形成的关键性状，但传统田间测量受限于植株遮挡、光照不均及人工效率低等问题，而现有自动化方案往往成本高、流程复杂，难以实现大规模应用。近日，中国科学院遗传与发育生物学研究所等机构基于多年多点的水稻RGB图像数据集，开发出新型AI模型TillerPET，实现对分蘖数与株型紧凑度的原位高通量表型鉴定。该模型采用基于点查询的Transformer架构，结合深度信息驱动的水稻区域提取模块，构建轻量化特征提取方法，简化编码器结构，在显著降低计算量的同时提升识别精度。在多地点、多年份的水稻RGB图像数据集上，TillerPET的分蘖计数R²达0.941，株型紧凑度测量R²高达0.978，表现出优异的泛化能力。基于该模型提取的表型数据可有效区分不同基因型水稻品种，为水稻株型改良与精准育种提供重要数据支撑。相关成果发表于《作物学报》（The Crop Journal），研究获国家自然科学基金及湖北省自然科学基金项目支持。
水稻分蘖数与株型紧凑度是影响穗数、群体密度及最终产量形成的关键性状，长期以来受限于田间环境复杂、光照不均、植株遮挡严重等因素，传统人工测量效率低且误差较大。尽管已有自动化表型平台尝试解决这一难题，但多数依赖昂贵硬件设备或流程繁琐，难以在大范围育种研究中推广应用。 近日，中国科学院遗传与发育生物学研究所联合相关机构，基于多年多点积累的水稻RGB图像数据集，成功开发出一种基于人工智能的新型表型分析模型——TillerPET。该模型能够在收获后的水稻植株图像中，无需额外处理，直接实现分蘖数与株型紧凑度的同步、原位高通量鉴定，展现出优异的泛化能力与稳定性。 TillerPET采用基于点查询的Transformer架构，创新性地引入深度信息辅助的水稻区域提取模块，有效提升了图像中目标区域的识别精度。同时，研究团队设计了一种轻量化特征提取方法，重构并简化了原有网络的编码器结构，在显著降低模型计算负担的同时，大幅提升了运行效率与预测准确性。在多个不同年份、不同地点的水稻图像测试中，TillerPET对分蘖数的预测R²达到0.941，对株型紧凑度的评估R²高达0.978，表现出极强的可靠性与一致性。 更重要的是，基于该模型提取的分蘖与株型特征，能够有效区分不同基因型水稻品种，为水稻遗传改良与品种筛选提供了精准的数据支持。这一成果不仅突破了传统表型测量的瓶颈，也为水稻株型育种提供了大规模、低成本、高精度的数字化工具。 相关研究成果已发表于国际期刊《作物学报》（The Crop Journal），研究工作获得国家自然科学基金及湖北省自然科学基金项目的资助。该技术的推广应用，有望加速水稻高产、高效育种进程，助力粮食安全战略的实现。
