中国科学院遗传与发育生物学研究所等机构在水稻分蘖与株型性状的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，但传统田间测量受限于植株遮挡、光照不均以及人工操作效率低等问题，难以实现大规模、精准的表型数据采集。同时，现有自动化成像方案普遍存在硬件成本高、流程复杂等瓶颈，制约了高通量表型分析的广泛应用。针对这一难题，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，并设计轻量化特征提取方法，大幅简化了网络编码器结构，在显著降低计算量的同时提升了模型性能。在多个年份、多个试验点的水稻RGB图像数据上，TillerPET在分蘖数计数任务中达到R²=0.941的高精度，对株型紧凑度的评估精度更高达R²=0.978，表现出优异的泛化能力。该模型可实现对收获后水稻植株图像的原位、同步分析，无需复杂预处理，具备良好的实用性与可推广性。基于TillerPET提取的分蘖与株型特征，研究团队成功实现了不同基因型水稻品种的自动识别与分类，为水稻遗传育种中的表型-基因型关联分析提供了可靠数据基础。该研究成果已发表于《作物学报》（The Crop Journal），并得到国家自然科学基金与湖北省自然科学基金项目支持。该工作标志着水稻表型组学向智能化、高通量方向迈出了关键一步，为未来智能育种和精准农业的发展提供了重要技术支撑。 业内专家认为，TillerPET模型的提出是水稻表型组学领域的重要突破，其轻量化设计与高精度表现尤其适合在资源有限的育种单位推广使用。该模型将AI与农学需求深度融合，为解决长期困扰高通量表型分析的“数据-算法-成本”三重难题提供了有效路径。中国科学院遗传与发育生物学研究所长期致力于作物表型组学与智能育种研究，是该领域国内领先机构之一。其研发的系列AI表型分析工具正逐步应用于水稻、小麦等主粮作物的育种体系，推动传统育种向数据驱动的精准育种转型。随着该类技术的持续优化与集成，未来有望在种质资源筛选、新品种快速鉴定和智慧农场管理中发挥更大作用。