中国科学院遗传与发育生物学研究所等单位在水稻分蘖与株型性状高通量表型获取方面取得重要进展。分蘖数和株型紧凑度是影响水稻穗数、群体密度及最终产量的关键性状，但传统田间测量受植株遮挡、光照不均及人工效率低等问题制约，而现有自动化方案往往存在硬件成本高、流程复杂等瓶颈，难以实现大规模应用。 研究团队基于多年多点的水稻RGB图像数据集，开发出一种名为TillerPET的新型AI模型。该模型采用基于点查询的Transformer架构，创新性地引入深度信息驱动的水稻区域提取模块，并构建轻量化特征提取方法，简化了原网络编码器结构，在显著降低计算量的同时提升了检测性能。TillerPET可在收获后水稻的RGB图像中，实现分蘖数与株型紧凑度的原位同步高通量鉴定，在多地区、多年份的数据集上均表现出优异的稳定性和准确性。其分蘖计数的决定系数R²达0.941，株型紧凑度测量精度R²高达0.978。 基于TillerPET提取的表型数据，可有效区分不同基因型水稻品种，为水稻株型改良和精准育种提供重要数据支持。该研究为水稻高通量表型分析提供了高效、低成本、可推广的技术路径，对推动智能育种发展具有重要意义。相关成果已发表于《作物学报》（The Crop Journal），研究工作获得国家自然科学基金和湖北省自然科学基金项目支持。