出苗率与出苗均匀性是评价小麦种子活力和播种质量的核心指标，直接影响单位面积穗数和资源竞争效率，最终决定产量潜力。然而，传统的评估方法主要依赖人工目测计数和主观判断，存在效率低下、通量有限、主观性强等痛点，难以满足现代育种和大规模田间表型精准鉴定的需求。与此同时，尽管高通量植物表型技术与深度学习已在作物研究中广泛应用，但现有研究多聚焦于小麦生长中后期（如抽穗、灌浆期），针对苗期出苗动态，尤其是单株幼苗级别的精准监测与均匀度量化研究相对较少。此外，将获取的出苗表型数据与基因组学数据结合，挖掘控制出苗质量的“基因开关”，更是一个待解的谜题。2026年2月，Plant Phenomics 在线发表了京农业大学姜东教授团队与河南大学宋纯鹏教授团队合作完成的题为 Combining RGB Imaging with a Two-stage Deep Learning Method to Reveal Genetic Variation of Wheat Sprouting Traits 的研究论文。该研究创新性地将RGB成像技术与两阶段深度学习算法相结合，提出了小麦出苗率与出苗均匀性的新计算方式，不仅实现了出苗率与出苗均匀性的高通量、精准化田间监测解析，还定位到了调控相关性状的关键遗传位点，为小麦优质高效育种提供了全新的技术方案和种质资源参考。
第一阶段：“找到每一棵苗”。研究以YOLOv8为基线模型，进行了三项关键改进：引入双向特征金字塔网络：增强网络对不同尺度幼苗特征的信息融合能力。新增高分辨率小目标检测层：专门针对微小的幼苗目标，大幅减少漏检。采用大尺寸图像输入：保留更多细节，进一步提升小目标检测精度。改进后的新模型对小麦幼苗的检测精度（AP@0.5）提升至0.93，每张图片分析时间小于0.2秒。
第二阶段：“看清每一片叶”。研究以YOLO11为基线，用更轻量、更快速的FasterNet 模块替换原有结构，在保证分割精度的前提下，将模型处理速度提升近一倍，模型体积压缩了24%。改进后的新模型能够精确分割出每株幼苗的叶片，并计算其相对叶面积（RLA）。
创新出苗评价方法：研究创新性地利用每株幼苗的RLA，构建了一个融合标准差、变异系数和信息熵的综合均匀度指数，实现了对品种间出苗均匀度的客观、高效量化。通过“检测+分割”的两步走策略，该算法不仅准确计算了出苗率（与人工测量结果相关性R²达 0.914），更实现了对出苗均匀度的精准定量评价。
图1 出苗均匀性算法的整体流程，包括数据采集、数据集构建和两阶段算法(a) 数据预处理、图像标注、数据增强与训练集划分；(b)数据输入、一阶段检测模型、结果输出、二阶段分割模型、相对叶面积计算与均匀性计算。注：红圈表示误检测目标研究团队在新疆图木舒克地区开展了大规模田间试验，利用这套高效精准的出苗表型分析算法，该研究对420个小麦品种在两种氮水平下的出苗表现进行了系统评估。在优异种质筛选方面，通过聚类分析，成功鉴定出在多种氮处理下均表现稳定、兼具高出苗率与高出苗均匀度的优良小麦材料，例如‘高8901’、‘石优20’等品种，这些品种可作为培育壮苗、匀苗小麦的优异亲本材料。在关键基因位点挖掘方面，通过对其中已测序的157个自然群体品种进行全基因组关联分析（GWAS），在3A染色体上鉴定到控制出苗率的主效位点，该区域富集了11个 F-box FBD LRR-repeat蛋白基因，这类基因通常通过泛素化途径调控种子萌发相关的信号分子（如脱落酸受体）的降解，从而可能像“开关”一样控制种子的萌发启动；在6B染色体上鉴定到了控制出苗均匀度的主效位点，该区域富集了5个 pentatricopeptide repeat （PPR）蛋白基因，PPR蛋白对线粒体和叶绿体中RNA的编辑、稳定性至关重要，可能通过调控萌发时的能量供应效率，影响幼苗生长的同步性，从而决定出苗是否整齐。这两个位点在正常与低氮处理下均表现出稳定的关联信号，表明它们在不同环境下的调控功能具有可靠性，具有重要的育种应用价值。(a)两个处理间出苗率与均匀性的组间热力图，其中每个方格的左上部分代表CK，右下部分代表LN；(b) 带频率分布直方图的拟合图；(c)带显著性分析的箱线图；(d) 基于四组数据的系统聚类热力图；(e)基于两个聚类结果带显著性分析的误差棒图，其中Cluster 1代表高出苗率与高均匀性的品种，Cluster 2代表其他品种。注：∗∗∗表示 p < 0.001，∗∗表示 p < 0.01，ns 表示无显著性差异
(a) 对照小区中均匀性与出苗率的曼哈顿图和Q-Q图，(b) qEmergence rate-3A区域的LD热力图，(c) 低氮小区中均匀性与出苗率的曼哈顿图和Q-Q图，(d) qUniformity-6B区域的LD热力图。在曼哈顿图中，颜色刻度代表 1 Mb 窗口内的 SNP 数量综上，该研究不仅为小麦出苗性状的高通量表型鉴定提供了强大工具，更揭示了小麦出苗率与均匀度背后的关键遗传基础，为通过分子标记辅助选择培育出苗快、出苗齐的“顶苗”小麦品种奠定了坚实基础和重要理论依据。研究打通了田间图像采集 、智能表型解析、基因挖掘的全链条，构建的技术体系具有较好的应用前景：智能手机即可完成图像采集，无需昂贵设备；模型轻量化设计适配边缘计算，未来可部署于无人机或地面移动设备，实现田间实时检测。相关测试代码、基准模型和样本数据已开源至 GitHub 供科研人员使用。南京农业大学小麦生理生态与生产管理课题组在团队首席科学家姜东教授的引领下，以长江中下游麦区小麦高产、优质高效生产为目标，以技术创新、产品创制及推广服务为主要途径，致力于小麦高产土壤管理及超高产理论与技术、小麦产量品质互作网络与产质协同技术、小麦非生物逆境抗性机理与抗逆丰产技术及产品开发、作物高通量时空表型组学等研究。团队依托农业农村部作物生理生态与生产管理重点实验室，建设有农业农村部小麦区域技术创新中心，拥有设施一流的科研基地和配备精良、功能齐全的实验室。近年来，团队承担国家863计划、国家重点研发计划、国家科技支撑计划、国家自然科学基金重点项目、农业农村部公益性行业科技专项以及部省科研课题等30余项，累计到账经费3000多万。累计发表论文360余篇，其中SCI论文180余篇，授权国家发明等专利150余项；出版专著和教材2部，发布《小麦微课》、《图说小麦》等多个视频和专著，发起作物栽培技术公益性科普平台《躬耕田园》、《作物栽培研究圈》等公众号（超23000人关注）。团队成员以主要完成人先后获国家科技进步二等奖2项、省部科技进步一等奖2项、省科技进步二等奖2项、农业农村部全国农牧渔业丰收奖一等奖1项、江苏省农业技术推广一等奖2项，2项入选农业农村部粮油生产主推技术，制定地方标准多项。
扫码添加小编微信，拉您进入《植物表型组学》作者交流群，群内不定期开展作者分享会、专刊发布会等高质量活动。
添加小编微信，备注姓名+单位+PP，加入作者交流群《植物表型组学》（Plant Phenomics）是由南京农业大学主办的英文学术期刊，于2019年1月正式上线发行。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录，科睿唯安JCR2024影响因子为6.4，位于农艺学一区，植物科学一区，遥感一区。2025年中科院期刊分区位于农林科学大类一区（TOP期刊）。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目、中国科技期刊卓越行动计划二期英文梯队期刊。
说明：本文由《植物表型组学》编辑部负责组稿。
特邀作者：秦秉希
编辑排版：王平、周涛（实习）
责任编辑：王平
校对：俞鸿华
审核：尹欢、孔敏
