基于SAM模型与多阶段分割策略的自动化胚根长度测量方法LenRuler及其在多作物验证中的应用

推荐：针对种子活力评估中胚根长度测量自动化不足、效率低且跨物种通用性差的问题，研究人员开发了基于Segment Anything Model（SAM）的LenRuler方法。通过YOLO检测框引导的粗-细分割策略和高斯分类，实现了水稻胚根的高精度分割（Dice=0.955）和长度测量（MAE=0.273 mm），并在玉米、珍珠粟和黑麦中验证了跨物种适用性，为种子表型分析提供了高效自动化工具。

　　

种子是农业生产的基础，其质量直接影响作物产量和生长潜力。胚根长度作为种子活力、萌发能力和幼苗生长潜力的关键指标，在育种和基因功能研究中具有重要意义。然而，现有测量方法面临诸多挑战：传统工具如ImageJ依赖人工操作，效率低下且易出错；深度学习模型如YOLO-r虽能检测萌发状态，但无法精确测量长度；而专用分割模型跨物种适应性差，需针对不同种子重新标注。这些局限性严重制约了高通量表型分析的发展。

针对这些问题，上海师范大学赵金峰团队在《Plant Phenomics》发表了题为“LenRuler: a rice-centric method for automated radicle length measurement with multicrop validation”的研究论文。该研究提出了一种基于Segment Anything Model（SAM）的自动化胚根测量方法LenRuler，通过创新性整合目标检测、多阶段分割和骨架分析技术，实现了水稻胚根的高精度测量，并在多种作物中验证了其普适性。

研究采用三项关键技术：首先利用YOLO检测种子边界框作为SAM的初始提示，完成粗分割；其次基于种子颜色高斯分布特征分类胚根与种皮区域；最后通过骨架端点识别和测地距离计算胚根长度。实验使用Riceseed1（44,660粒水稻种子）、Riceseed2（600张图像）和Otherseed（含玉米、珍珠粟和黑麦）三个数据集进行验证。

分割性能验证

在Riceseed1数据集上，LenRuler的Dice系数达0.955，显著优于UNet（0.799）和Mask-RCNN（0.722）。多阶段提示策略使胚根交并比（IoU_rd）提升至0.901，解决了长胚根部分漏分割的问题。

长度测量精度

对Riceseed2测试集的测量显示，预测值与人工测量结果高度吻合（R²=0.982），平均绝对误差仅0.273 mm。其中最长胚根（8.2 mm）的测量误差不超过0.8 mm，满足育种研究需求。

跨物种适用性

在玉米、珍珠粟和黑麦中，LenRuler无需重新训练即可获得符合生物学规律的胚根长度分布。特别在同时存在胚芽和胚根的复杂情况下，算法通过端点筛选有效避免了胚芽干扰。

该研究的核心创新在于将提示工程与结构分析相结合：通过YOLO边界框和分类后质心作为多级提示，显著提升了SAM在小目标分割中的性能；而基于骨架的测地距离计算则解决了弯曲胚根的测量难题。相比需要全掩码标注的传统方法，LenRuler仅需边界框标注，使标注效率提升10倍以上。

讨论部分指出，当前方法在实验室可控条件下表现优异，但对高密度重叠种子群的适应性仍需优化。未来可通过半监督学习降低标注成本，或引入空间特征增强复杂场景的鲁棒性。这项研究不仅为种子表型分析提供了新工具，其“检测-分割-测量”框架还可拓展至根系构型、果实形态等农业表型研究领域，推动精准农业发展。