编辑推荐：
量化玉米（Zea mays L.）产量构成性状的变异，对于植物遗传学研究、作物育种以及改良农艺实践至关重要，因为这些性状共同决定了这一全球重要作物的总体生产力。每英亩籽粒产量是每英亩株数、每株果穗数、每穗籽粒数和平均籽粒重量的乘积。每穗籽粒数由每穗籽粒行数（k
量化玉米（Zea mays L.）产量构成性状的变异，对于植物遗传学研究、作物育种以及改良农艺实践至关重要，因为这些性状共同决定了这一全球重要作物的总体生产力。每英亩籽粒产量是每英亩株数、每株果穗数、每穗籽粒数和平均籽粒重量的乘积。每穗籽粒数由每穗籽粒行数（kernel-row-number）和每行粒数（kernels-per-row，KPR）的乘积决定。传统上，对具有强烈环境敏感性的每行粒数进行人工量化既费时又费力，限制了两个性状的数据收集规模。近年利用图像处理和深度学习的自动化尝试面临注释成本高以及在不同种质间泛化能力有限等挑战。研究人员通过探索大视觉模型进行零样本、免注释的玉米籽粒分割来应对这些限制。研究人员利用开源大视觉模型——分割一切模型（Segment Anything Model，SAM）——对玉米果穗图像中的单个籽粒进行分割，并实现了一种基于图的算法来计算每行粒数。该方法能够在多样化的玉米果穗中有效识别每行粒数，展示了零样本基础视觉模型与图像处理流程相结合在提升农业数据采集自动化水平并降低主观性方面的潜力。所有代码均已开源，以推广这些简约化的表型分析方法。
玉米是全球重要的粮食、饲料作物以及工业原料，准确估算其产量及产量构成性状对育种和生产具有重要意义。每穗粒数是关键产量构成性状，其中每行粒数（kernels-per-row，KPR）对环境高度敏感，而籽粒行数（kernel-row-number）主要由遗传决定。传统人工计数KPR耗时、费力且主观性强，难以满足大规模表型采集需求；现有基于深度学习方法又依赖大量人工标注且泛化性有限。为此，研究人员开发了MaizeEar-SAM，一种零样本、免注释的自动化果穗表型分析流程。该流程结合分割一切模型（Segment Anything Model，SAM）与图论方法，对果穗图像中的单个籽粒进行实例分割，并通过最短路径算法客观定义和计算KPR，从而消除人工计数的主观性，提高表型采集效率和可重复性。研究使用来自美国农业部资助的高强度表型位点（high-intensity phenotyping sites，HIPS）项目的图像数据，包含84个玉米杂交种、种植于爱荷华州和内布拉斯加州6个地点，约1000张多果穗图像覆盖超过4000个果穗。另有150个果穗由领域专家进行人工标注，作为验证基准；此外，由非专家独立采集35张内布拉斯加州林肯市的果穗图像，用于泛化测试。研究人员通过两种验证协议分别评估籽粒计数精度和路径选择性能，并考察多路径平均策略、跨数据集泛化能力、运行效率及人工注释的固有主观性。
主要技术方法包括：（1）图像预处理与果穗提取：利用HSV颜色空间阈值分割从黑色背景图像中分离果穗和QR码，并通过Pyzbar解码关联基因型等信息；（2）籽粒实例分割：使用SAM的ViT-H模型自动生成每个籽粒的掩膜，无需任何人工标注；（3）掩膜后处理：根据面积、预测交并比（intersection over union，IoU）和稳定性分数过滤伪掩膜，去除重叠区域，提取籽粒质心；（4）基于图的KPR估计：将籽粒质心作为图顶点，通过k近邻和角度剪枝构造邻接图，利用Dijkstra最短路径算法识别从果穗基部到顶部的连续籽粒行，并过滤未成熟籽粒，进一步采用中心、左、右三条路径计数取平均的策略提高稳健性。
研究结果部分包括以下内容。（1）籽粒计数精度和路径选择性能：在固定路径条件下，自动化计数与专家计数高度相关，表明图遍历和成熟度过滤模块能够准确定量籽粒；在端到端条件下，自动路径选择与计数结合，与人工专家结果相比也展现出良好的一致性。（2）多路径策略的稳健性：对约150个果穗，三路径平均KPR与专家标注值强相关，相比单一路径，多路径策略减少了果穗顶端未成熟籽粒和局部不规则组织造成的偏差。（3）对独立图像集的泛化能力：在非专家采集的35张独立图像上，模型无需调整参数仍保持强相关性，证明流程对不同采集环境和操作者具有良好的迁移性。（4）部署性能和运行时分析：在NVIDIA A100 GPU上，单个果穗平均处理时间低于20秒，每天可处理超过4000个果穗；峰值GPU内存约5.9 GB，最大13 GB，表明可在消费级16 GB显存显卡上运行。（5）代表性输出和群体水平分布：对整个HIPS数据集约4000个果穗的KPR分布进行了群体水平统计，显示实际应用可行性。
讨论部分强调，MaizeEar-SAM通过零样本分割和图论定义，实现了可重复、客观的KPR测量，避免了人工计数的主观性和注释成本。研究发现同一专家间隔1个月对136个果穗重复计数的相关系数仅为0.92，说明人工标注本身存在显著内部变异，这种噪声会影响全基因组关联分析（genome-wide association studies，GWAS）的统计功效。与目前最接近的监督方法CornPheno相比，MaizeEar-SAM在零样本条件下达到与其相当的精度，且无需训练注释。流程对复杂背景的适应可通过SAM 3文本提示实现，对成像距离和分辨率的鲁棒性则源于SAM内部归一化和相对面积阈值。局限性包括：依赖路径连续性假设，对高度扭曲的穗行组织可能失效；部分几何阈值需根据群体调整；目前仅验证了2D图像上的KPR提取。研究结论是：MaizeEar-SAM作为一种零样本、免注释的自动化果穗表型分析工具，能够在大规模无标注数据上准确、客观地估算每行粒数，显著降低人力和时间成本，减少测量主观性，并将推动产量构成性状在遗传育种和环境响应研究中的高通量采集。
