基于计算机视觉的拟南芥幼苗表型高通量自动化分析新方法

为解决传统植物表型分析中低效、易错的问题，研究人员开发了基于YOLOv11目标检测和Swin Transformer语义分割的自动化工具，实现了83.56% mIoU的拟南芥幼苗分割精度，可自动测量下胚轴长度、根长等5项关键表型参数，为植物生长发育研究提供了高效精准的新范式。

　　

在植物生物学研究中，表型观测作为基础手段涵盖从生长参数记录到开花周期监测等多个维度。传统依赖肉眼观察和ImageJ软件手动测量的方法虽广泛应用，但其效率低下且易产生人为误差，难以满足大规模研究需求。尽管商业化的高通量成像平台已问世，其数据分析仍面临自动化与精准度的双重挑战。

为此，研究团队创新性地构建了基于深度学习的两阶段分析系统：首先采用YOLOv11（You Only Look Once version 11）模型精确定位培养皿中的拟南芥（Arabidopsis thaliana）幼苗，继而开发了融合Swin Transformer架构与核更新头（kernel update head）的语义分割模型，最终实现83.56%的平均交并比（mIoU）。通过对分割掩模的后处理，该工具可全自动解析五项核心表型参数——下胚轴长度、根长、根向地性弯曲角度、叶柄长度以及子叶展开率。

与人工测量相比，该自动化系统在所有表型参数分析中均展现出优异准确性。这项技术不仅革新了传统表型记录模式，更为植物遗传调控机制研究提供了强有力的高通量分析工具，标志着植物表型组学研究进入智能化新阶段。