小麦（Triticum aestivum L.）是全球最重要的粮食作物之一，提高产量对保障粮食安全至关重要。小麦产量主要由穗数、穗粒数和千粒重决定，但三者之间往往存在拮抗作用，难以同时提高。因此，深入解析穗部结构特征对于揭示产量形成机制具有重要意义。然而，传统的人工测量方法效率低、误差大，难以获取复杂而精细的穗部表型信息。尽管近年来影像分析与深度学习被引入麦穗表型研究，但现有方法仍没法对穗部复杂表型的系统性精准量化。因此，开发一种高效、准确、自动化、且精细化的穗部表型分析方法，对小麦遗传改良和高产育种具有重要意义。
近日，中国科学院遗传与发育生物学研究所蒋霓团队在Plant Phenomics期刊上在线发表了题为Analysis of Wheat Spike Morphological Traits by 2D Imaging的研究论文，提出了基于深度学习的麦穗形态精细表型的解析方法。该方法结合ResNet50-UNet网络实现麦穗区域的精准分割，同时使用Yolov8x-seg模型完成对小穗的识别分割，并利用所提取的麦穗与小穗掩膜结合图像处理算法提取了包括穗长、穗宽、穗面积、可育小穗数、不育小穗数、小穗间距等在内的45类穗部表型性状。该方法在分割性能方面卓越，在麦穗分割上的平均交并比（mIoU）超过0.9480。此外，该方法所提取的穗性状与人工测量值高度一致，其中，与穗长的相关系数为0.9865，与小穗数为0.9753，可育小穗数为0.9635。将该方法应用于来自不同年代和区域的小麦品种，发现随年代推进小麦穗部性状逐渐向大穗类型转变，表现为穗宽、穗面积和小穗面积的增加；区域上，南方品种普遍穗型较大，而北方则更为紧凑，反映出不同地区在提升产量途径上的差异性。该研究建立了一套基于深度学习的高通量麦穗表型解析方法，为未来的小麦高产育种提供了技术手段。
中国科学院遗传发育所博士生孙孚俊与副研究员郑树松为论文共同第一作者，蒋霓研究员为通讯作者。该研究得到了国家重点研发计划和农业农村部重大专项的资助。
小麦穗部性状提取流程
（A）麦穗分割（B）小穗分割（C）基于穗掩膜及其骨架的表型提取步骤（D）基于穗骨架和小穗掩膜的表型提取步骤（E）通过穗骨架将麦穗三等分
