Ein Forschungsteam um Prof. Jiang Ni vom Institut für Genetik und Entwicklungsbio logie der Chinesischen Akademie der Wissenschaften (CAS) hat eine kostengünstige Methode zur In-situ-Erfassung von Flaggenblattwinkeln (FLANG) in Weizen entwickelt und ein leichtgewichtiges Deep-Learning-Modell namens LeafPoseNet vorgestellt. FLANG ist ein entscheidender Merkmalsträger in der Weizenzüchtung, da er die Pflanzenarchitektur, die Lichtaufnahme und das Ertragspotenzial maßgeblich beeinflusst. Traditionelle Messmethoden sind jedoch zeitaufwendig, subjektiv und hinderlich für hochdurchsatzfähige Phänotypisierung. Um dieses Problem zu lösen, entwickelte das Team LeafPoseNet, ein keypoint-basiertes Pose-Detektionsmodell, das drei zentrale Punkte erkennt: den Mittelpunkt des Flaggenblatts (Punkt L), den Übergang zwischen Blatt und Stiel (Punkt J) sowie den Mittelpunkt des Stiels (Punkt S). Auf Basis dieser Punkte wird der Blattwinkel automatisch berechnet. Im Vergleich zu führenden Keypoint-Detektionsmodellen erreicht LeafPoseNet herausragende Genauigkeit: ein mittlerer absoluter Fehler (MAE) von 1,75°, ein mittlerer quadratischer Fehler (RMSE) von 2,17° und ein Bestimmtheitsmaß (R²) von 0,998. Das Modell zeigt außerdem hohe Robustheit gegenüber unterschiedlichen Blattformen und komplexen Feldbedingungen. Durch seine geringe Architektur und hohe Rechenleistung ist LeafPoseNet ideal für die Nutzung auf Smartphones, was eine schnelle, hochdurchsatzfähige Messung direkt im Feld ermöglicht. Die Forscher validierten die Methode an einem vielfältigen Panel aus 221 Weizen-Züchtungen. Mit Hilfe eines gemischten linearen Modells (MLM) für eine genomweite Assoziationsstudie (GWAS) identifizierten sie zehn quantitative Merkmalslokus (QTL), die mit FLANG assoziiert sind. Diese Ergebnisse liefern wertvolle Einblicke in die genetische Grundlage des Blattwinkels in Weizen. Die Studie wurde in The Crop Journal veröffentlicht und stellt ein praktikables Werkzeug für die phänotypische Analyse in der Weizenzüchtung dar. Industrielle Experten begrüßen die Entwicklung als bedeutenden Schritt hin zu digitaler, automatisierter Pflanzenzüchtung. Die Kombination aus geringen Kosten, hoher Genauigkeit und Mobilgeräte-Compatibilität macht LeafPoseNet besonders attraktiv für Forschungseinrichtungen und Züchter in Entwicklungsländern. Das IGDB ist führend in der Anwendung von KI in der Agrarforschung und hat bereits mehrere bahnbrechende Ansätze zur Phänotypisierung entwickelt. LeafPoseNet unterstreicht das Potenzial von leichtgewichtigen Deep-Learning-Modellen, klassische Agrarprozesse zu revolutionieren – insbesondere in der Züchtung von nachhaltigen, ertragreichen Getreidepflanzen.