中国科学院遗传与发育生物学研究所（IGDB）的姜宁研究员团队提出了一种基于深度学习的低成本、高精度小麦旗叶角度（FLANG）田间测量方法，并开发了轻量级深度学习模型LeafPoseNet，实现了对FLANG的自动化、高通量精准估算。 旗叶角度是小麦育种中的关键性状，直接影响植株株型、光能捕获效率和产量潜力。然而，传统测量依赖人工，耗时耗力且主观性强，严重制约了现代小麦高通量表型分析的发展。为突破这一瓶颈，研究团队构建了基于关键点检测的LeafPoseNet模型，可自动识别旗叶的三个关键点：旗叶中心（Point L）、旗叶与茎秆连接处（Point J）以及茎秆中心（Point S），从而实现FLANG的自动计算。 与现有先进关键点检测模型相比，LeafPoseNet表现出卓越性能：平均绝对误差（MAE）仅为1.75°，均方根误差（RMSE）为2.17°，决定系数（R²）高达0.998，具备在不同叶形和复杂田间环境下稳定定位关键点的能力。该模型结构轻量，计算效率高，可直接部署于智能手机，支持田间快速、大规模测量。 研究人员利用LeafPoseNet对221份面包小麦种质资源进行了FLANG测量，并结合混合线性模型（MLM）开展全基因组关联分析（GWAS），成功鉴定出10个与旗叶角度相关的数量性状位点（QTL），为解析小麦旗叶角度的遗传基础提供了重要依据。 该研究成果发表于《The Crop Journal》期刊，为小麦育种和遗传研究提供了一种高效、实用的田间表型分析工具，推动了智能育种技术的发展。