基于YOLOX-P算法的小麦穗数位点高效识别：计算机视觉与遗传育种的创新融合

为解决小麦穗数(SN)人工计数效率低下的问题，研究人员开发了改进的YOLOX-P算法，通过整合卷积注意力模块(CBAM)和提高图像分辨率，在灌浆后期实现91.8-95.02%的识别精度，并鉴定出3个新SN位点QSN.caas-4A2/4D/5B2，为高产育种提供高效工具。

　　

小麦作为全球主要粮食作物，其产量提升对保障粮食安全至关重要。穗数(SN)是影响小麦产量的关键因素之一，但传统人工计数方法效率低下，严重制约大规模育种进程。随着全球人口增长和饮食结构变化，预计到2050年小麦产量需增加60%才能满足需求。尽管中国小麦单产在1960-2000年间年均遗传增益达0.48-1.23%，但穗数的遗传改良进展相对缓慢。当前面临的挑战包括：SN受基因型和种植密度双重影响，属于中等遗传力性状；现有检测算法在密集种植条件下准确率不足；缺乏高效精准的SN表型分析平台。

中国农业科学院作物科学研究所的研究团队通过整合计算机视觉和遗传育种技术，开发了改进的YOLOX-P算法，成功实现了小麦穗数的高通量识别和遗传位点挖掘。研究利用两个重组自交系(RIL)群体和166个品种的自然群体，采集9,707张覆盖6个生育期的冠层图像，构建包含619,659个标记穗的数据集。关键技术包括：(1)改进YOLOX算法，增加输入图像分辨率至960×960并引入卷积注意力模块(CBAM)；(2)采用50k SNP芯片构建高密度遗传图谱；(3)开发 kompetitive等位基因特异性PCR(KASP)标记验证位点效应。

3.1. 模型训练的最佳发育阶段
通过比较6个生育期的识别效果，发现灌浆后期(LGF)模型表现最优，平均精度(mAP)达85.69-89.47%。该阶段麦穗与茎叶颜色对比明显，叶片卷曲减少遮挡，使模型召回率提升至81.23%。

3.2. YOLOX-P算法的性能提升
改进后的YOLOX-P在CD&DD数据集上mAP达91.81%，较原YOLOX提升5.99%。关键改进包括：CBAM模块增强特征选择能力，图像分辨率提高使小目标识别更精准，SPPBottleneck层卷积尺寸优化降低计算负担。

3.5. QTL定位与分子标记开发
在ZM578×JM22群体中鉴定到4个稳定QTL，其中QSN.caas-5B.2(652.52-671.09 Mb)和QSN.caas-4A.2(500.35-585.55 Mb)为新发现位点。开发的KASP标记在自然群体中验证可显著增加SN(P<0.05)，其中QSN.caas-5B.1的增效等位基因频率仅29.52%，提示其育种潜力未被充分挖掘。

该研究首次将改进的YOLOX-P算法应用于小麦SN遗传解析，突破传统表型采集瓶颈。灌浆后期被确立为最佳检测窗口，为田间表型组学研究提供重要参考。发现的QTL位点及其KASP标记可直接用于分子标记辅助选择，而CBAM与高分辨率图像的结合策略为其他作物器官识别提供借鉴。未来通过引入无人机平台和叶面积指数(LAI)校正，可进一步扩大技术应用规模。这项发表于《Plant Phenomics》的成果，标志着作物表型组学与人工智能技术的深度融合迈入新阶段。