《Plant Nano Biology》：Combining RGB Imaging with a Two-stage Deep Learning Method to Reveal Genetic Variation of Wheat Sprouting Traits
编辑推荐：
为解决传统小麦出苗率与出苗均匀度评估效率低、主观性强的问题，本研究创新性结合RGB影像与两阶段深度学习算法（WS-YOLO），实现了对420个小麦品种的高精度表型分析，并通过GWAS鉴定出调控出苗率（qEmergence rate-3A）和均匀度（qUniformity-6B）的关键基因位点，为小麦优质育种提供了高效精准的技术支撑。
小麦作为全球约35%人口的主粮作物，其产量稳定性直接关系到粮食安全。然而，传统小麦出苗性状评估长期面临效率瓶颈——农民和育种专家需要人工蹲守田间，逐株统计出苗数量、评估幼苗分布均匀度，这种方法不仅耗时耗力，还因主观判断导致数据偏差。更关键的是，出苗率直接影响单位面积穗数，出苗均匀度则决定幼苗间资源竞争强度，两者共同制约最终产量。随着全球人口增长与环境变化加剧，研发高效精准的出苗性状监测技术已成为小麦育种领域的迫切需求。
在此背景下，南京农业大学研究团队在《Plant Nano Biology》发表了一项突破性研究，将RGB影像技术与两阶段深度学习算法深度融合，成功破解了小麦出苗性状评估的技术难题。该研究创新性地构建了包含420个小麦品种的田间试验体系，通过手持设备采集高分辨率幼苗影像，并开发了名为WS-YOLO的专用算法模型。该模型第一阶段采用改进的YOLOv8架构，集成双向特征金字塔网络（BiFPN）和小目标检测层，显著提升了对微小幼苗的识别精度；第二阶段引入轻量化的FasterNet结构进行实例分割，精准计算相对叶面积（RLA）作为均匀度评价新参数。整套系统单张影像分析时间不足0.3秒，出苗率计算准确率高达0.929，与人工测量结果的相关系数R2达0.914。
研究团队将深度学习表型数据与基因组关联分析（GWAS）相结合，在157个自然群体中鉴定出48个显著关联位点。其中，染色体3A上的qEmergence rate-3A位点富集了11个F-box FBD LRR重复蛋白基因，该基因家族通过泛素-蛋白酶体途径调控种子萌发相关信号分子；染色体6B上的qUniformity-6B位点则包含5个五肽重复序列（PPR）蛋白基因，其通过线粒体RNA编辑功能影响能量供应效率。这些发现首次从分子层面揭示了小麦出苗性状的遗传调控网络。
该研究的技术路径主要包括：构建420个小麦品种的田间试验队列，采用智能手机采集RGB影像并建立标注数据集；开发两阶段WS-YOLO算法，通过BiFPN增强小目标特征提取，利用FasterNet优化分割效率；基于相对叶面积构建出苗均匀度评价体系；整合表型数据与55K SNP芯片进行GWAS分析，鉴定关键QTL位点及候选基因。
在结果呈现方面，3.1节通过消融实验证实，改进后的WS-YOLO-Detect模型平均精度（mAP@0.5）从0.876提升至0.929，WS-YOLO-Segment模型分割时间缩短44%至0.127秒。3.2节对比实验显示，该模型在检测精度（0.929）、分割精度（0.976）和计算效率（0.279秒/图）上均优于主流模型。3.3节实际验证表明，模型计算出的出苗率与人工测量结果高度一致（RMSE=2.448）。3.4节表型分析发现，高8901、石优20等品种在两种氮处理下均保持高出苗率与均匀度，且两性状无显著相关性。3.5节GWAS结果揭示，qEmergence rate-3A和qUniformity-6B位点分别通过调控激素信号通路和能量代谢机制影响出苗性状。
研究结论与讨论部分指出，WS-YOLO算法首次实现了小麦出苗率与均匀度的自动化、高精度评估，其创新性体现在三方面：一是将相对叶面积作为均匀度量化指标，克服了传统空间分布指数的局限性；二是通过两阶段设计平衡检测精度与计算效率，适配边缘计算设备；三是建立了表型-基因型关联分析完整技术链条。该研究不仅为小麦育种提供了61个兼具高出苗率与均匀度的优异种质资源，更鉴定出调控关键性状的遗传靶点，为分子设计育种奠定了理论基础。未来可通过无人机搭载模型实现全自动化监测，并拓展至其他作物出苗性状研究，推动智慧农业技术体系的完善。
