《Artificial Intelligence in Agriculture》：From phenome to genome: A cloud-based AI platform for integrative rice grain analysis and genetic mapping to empower grain-focused crop improvement
编辑推荐：
水稻（Oryza sativa L.）是全球主要的主粮作物，也是世界范围内粮食与营养安全的重要来源。籽粒水平性状的准确量化评估对于选育具有更高产量、更优品质、更好市场接受度及更高营养价值的品种至关重要。然而，当前的表型分析方法仍存在劳动强度大、耗时长、可扩展性
水稻（Oryza sativa L.）是全球主要的主粮作物，也是世界范围内粮食与营养安全的重要来源。籽粒水平性状的准确量化评估对于选育具有更高产量、更优品质、更好市场接受度及更高营养价值的品种至关重要。然而，当前的表型分析方法仍存在劳动强度大、耗时长、可扩展性有限等问题，制约了研究人员将籽粒水平表型（如籽粒大小、形状、每穗粒数及种皮颜色）与基因型信息有效整合以开展数据驱动育种的能力。随着人工智能（artificial intelligence，AI）和计算机视觉（computer vision，CV）的快速发展，植物表型分析和遗传分析正进入新时代。然而，深度学习（deep learning，DL）算法与基于云的分析框架的整合仍处于早期阶段。传统的计算解决方案往往零散且依赖硬件，而基于云的系统可为全球育种家和植物研究人员提供可扩展且广泛可及的解决方案。因此，研究人员将AI驱动的视觉技术与云端基础设施相结合，开发了一个自动化、开放可及的平台，用于水稻籽粒水平性状的整合分析及以籽粒为核心的遗传研究。水稻籽粒表型分析系统（Rice Grain Phenotyping Analysis System，RGPAS；http://rgpas.cemps.ac.cn/）支持对智能手机采集图像进行批量处理，通过由RGD-YOLO（用于穗部检测）和EfficientNet-RG（用于整粒籽粒识别）组成的两阶段深度学习框架，提取关键的穗部和籽粒水平性状，而无需专门的硬件或软件。为进一步支持植物和作物研究社区，研究人员建立了世界水稻籽粒数据集（World Rice Grain Dataset，WRGD），包含3785幅已注释穗部图像和77,812粒已注释整粒籽粒，以增强深度学习框架的稳健性和泛化能力。利用RGPAS衍生的表型数据，研究人员对864份水稻地方品种组成的代表性自然群体进行了全基因组关联分析（genome-wide association study，GWAS），并利用176份重组自交系（recombinant inbred lines，RILs）进行了数量性状位点（quantitative trait locus，QTL）定位，研究了2020和2022两个生长季关键籽粒形态和种皮颜色性状的遗传架构。RGPAS衍生的性状一致地识别出具有生物学意义的位点，包括已知的籽粒发育调控因子，以及可作为未来机制研究有价值靶标的新候选位点。
水稻是全球最重要的主粮作物之一，籽粒性状直接决定产量、品质、市场偏好和营养价值。然而，传统籽粒表型鉴定依赖人工脱粒和手工测量，费时费力且主观性强，难以将大规模籽粒表型与基因型信息有效整合。近年来，深度学习（deep learning，DL）和计算机视觉在植物表型分析中展现出潜力，但多数模型泛化能力有限，且部署分散、依赖专用硬件。基于云的计算平台可提供可扩展、低门槛的解决方案，因此研究人员开发了开放、自动化的云端平台RGPAS，用于水稻穗部与籽粒水平性状的整合分析，并结合遗传定位验证其生物学有效性，以推动以籽粒为核心的作物改良。该研究发表于《Artificial Intelligence in Agriculture》。
研究人员主要采用以下关键技术方法（不超过250字）：利用智能手机在统一成像装置上采集穗部图像，通过二维码识别、颜色校准和像素-毫米换算进行预处理。构建了世界水稻籽粒数据集（World Rice Grain Dataset，WRGD），包含3785幅注释穗部图像和77,812粒注释整粒籽粒。开发了基于YOLOv10m优化而来的RGD-YOLO模型（引入C2f_FADC模块和SPPF-LSKA模块）用于籽粒检测；结合Felzenszwalb超像素算法和EfficientNet-RG分类器识别整粒籽粒。基于Django框架和MVC架构部署云端RGPAS平台。样本队列包括来自41个国家的864份地方品种（372份indica、447份temperate japonica、45份中间型）和176份重组自交系（recombinant inbred lines，RILs，源于‘93-11’בNipponbare’），表型数据来自2020和2022两季。遗传分析采用全基因组关联分析（genome-wide association study，GWAS）和QTL定位。
结果部分如下：
3.1 低成本成像平台与水稻籽粒分析训练数据集：研究人员搭建了基于智能手机的低成本成像装置，通过黑色哑光背景、参考标签和二维码实现标准化图像采集，并建立了包含492,058个注释籽粒的初始数据集。经Felzenszwalb超像素分割和数据增强后，形成50,000个整粒和50,000个遮挡籽粒构成初始WRGD，用于训练深度学习模型。
3.2 优化的籽粒检测深度学习模型：基于YOLOv10m架构，研究人员引入C2f_FADC模块和SPPF-LSKA模块，并结合PSA模块，得到RGD-YOLO模型。消融实验表明，RGD-YOLO的精度、召回率和平均精度均值（mean Average Precision，mAP@0.5–0.95）均优于标准YOLOv10m等基线模型，且在紧凑穗型下仍能稳定聚焦籽粒区域。
3.3 云端分析与系统实现：基于Django框架和模型-视图-控制器（Model-View-Controller，MVC）架构部署RGPAS平台，提供单图像分析、批量处理和数字籽粒库三大功能，支持中英文界面。用户可通过浏览器上传图像，自动完成穗部与籽粒性状分析，并支持结果导出。
3.4 籽粒水平性状分析与验证：研究人员利用RGPAS处理864份地方品种和176份RILs图像，发现indica与japonica在粒长、粒宽、长宽比等性状上存在显著差异，而粒大小（grain size，GS）差异不显著。将RGPAS衍生的每穗粒数（grain number per panicle，GNpP）、粒长、粒宽、长宽比与收后实测值进行相关性分析，结果显示高度一致，验证了平台测量的准确性。
3.5 基于地方品种的GWAS分析：对322份（2020季）和709份（2022季）地方品种进行GWAS分析，RGPAS衍生的籽粒性状重复检测到已知基因位点，如控制粒长的GS3、控制粒宽的GW5，以及与GNpP相关的OsCKX2、TGW6、Rc等；还发现多个未报道过的候选位点，表明RGPAS数据具备可靠的遗传定位能力。
3.6 QTL定位中验证RGPAS性状的生物学相关性：利用176份RILs进行QTL定位，在GNpP、长宽比、粒长、粒宽性状上检测到与已知基因共定位的QTL，如Hd1、D61、GS3、GW5等。同时，发现数个未知QTL，其中位于Chr.11的GNpP相关位点可解释10.3%的表型变异，显示其作为新候选位点的潜力。
讨论部分总结：RGD-YOLO通过频率自适应扩张卷积和大核深度可分离卷积，增强了密集籽粒下的特征提取能力，同时保持计算效率。云端部署采用可扩展的AI分析流程，使研究人员无需高性能本地计算资源即可完成高通量表型分析，并兼容多种智能手机传感器。遗传分析结果与已知基因高度重合，且发现多个新位点，证明RGPAS衍生的表型数据可直接用于基因-表型关联研究。局限性方面，平台依赖稳定网络连接，并发访问性能有待优化；当前性状集中于形态和颜色，未来应纳入充实度、灌浆动态等复杂性状；同时可集成多模态数据，并扩展至小麦、玉米等作物。
结论翻译：在本研究中，研究人员开发了一个开放、基于云端的AI驱动平台RGPAS，并将其应用于基于智能手机图像的水稻籽粒自动化表型分析。通过整合WRGD数据集、优化的RGD-YOLO模型、基于EfficientNet-RG的整粒分类和自动化性状分析，RGPAS平台能够在不同水稻群体中可扩展地测量穗部和籽粒水平性状。具体而言，该平台用于分析864份地方品种和176份RILs，展示了其在粒数、籽粒形态和种皮颜色相关性状量化方面的准确性、稳健性和可及性。遗传分析进一步证实了RGPAS衍生性状的生物学相关性，GWAS和QTL定位识别出已知的籽粒相关性状调控因子，以及多个新候选位点。综上，这些结果确立了RGPAS平台作为将AI驱动的表型分析与水稻遗传定位相结合的实用且可扩展框架的地位，为以籽粒为核心的稻米改良和未来精准育种提供了开放、标准化的工具。
