《Smart Agricultural Technology》：GLiMPSe: a low-cost, high-throughput and accurate field phenotyping system for maize architectural traits
编辑推荐：
本文推荐一项名为GLiMPSe的创新研究，针对玉米田间表型分析中单株分辨率数据获取成本高、通量低的技术瓶颈，开发了集成DIY成像设备与计算机视觉分析的低成本高通量表型采集系统。该系统通过Giraffe（植物架构）和Lizard（叶片性状）双模块，分别以15秒/样本和8秒/样本的速度实现株高、穗位高、耳上叶数等关键性状的自动化提取，准确度R2达0.928-0.958。该研究为遗传育种提供了可扩展的田间表型解决方案，显著降低了技术门槛。
在作物遗传育种研究中，表型数据获取已成为制约基因功能解析和育种效率提升的关键瓶颈。尤其对于玉米这类大田作物，传统人工测量方式效率低下，而无人机、地面机器人等高端表型平台又存在成本高昂、操作复杂、难以获取单株分辨率数据等问题。目前大多数作物表型研究集中于大规模生产监测，而面向遗传分析和育种的单株田间表型技术仍发展不足。
针对这一挑战，中国农业大学的研究团队在《Smart Agricultural Technology》发表了一项创新研究，开发了一套名为GLiMPSe（Giraffe + Lizard Maize Phenotyping System）的低成本高通量田间表型系统。该系统通过将DIY成像设备与定制化的计算机视觉分析流程相结合，实现了玉米植物架构和叶片性状的精准量化。
研究团队设计了两个独立的表型采集模块：Giraffe模块专注于植物架构性状分析，采用树莓派4B控制USB相机在直线导轨上垂直移动，通过位移传感器记录相机高度，每样本仅需15秒即可完成视频采集；Lizard模块则针对叶片宽度测量，使用手持终端搭配3D打印校准板，8秒即可完成图像采集。两个模块的硬件成本分别仅为379.1美元和241.1美元。
关键技术方法包括：基于YOLOv11x分割模型的目标识别技术，对玉米雄穗、叶耳、果穗等关键结构进行精准分割；视频帧提取与图像拼接流程，将垂直扫描视频合成为高分辨率复合图像；针对叶耳检测的插值算法，有效校正漏检和误检问题；以及基于透视变换的叶片图像校正技术，确保测量准确性。
在植物架构表型模块中，研究团队首先通过图像处理管道将采集的视频转换为复合图像。训练后的YOLOv11x分割模型在验证集上表现出色，雄穗、果穗和叶耳的mAP@0.5分别达到0.979、0.951和0.912。针对田间常见的遮挡问题，团队开发了叶耳插值管道，通过计算叶耳间距中值并设定动态阈值（顶部区域115%，中部170%），有效识别并补全缺失的叶耳节点。
叶片表型模块则采用了两阶段处理策略：首先训练标记物分割模型（mAP@0.5=0.995）定位校准板的四个角点，进行透视变换校正图像畸变；然后使用叶片分割模型（mAP@0.5=0.995）提取叶片区域，通过图像水平中线与叶片掩模的交集计算叶片宽度。
研究结果验证显示，该系统在291株玉米的田间测试中取得了高度准确的结果。对于主要植物架构性状，株高、最高叶高、穗位高的R2分别达到0.928、0.924和0.925，耳上叶数的R2为0.837。各位置叶高的测量精度R2在0.87-0.958之间，且叶耳插值流程将耳上叶数估计的R2从0.657提升至0.837。叶片宽度测量的R2也达到0.937。
在模型性能方面，植物架构分割模型训练101个epoch后达到最佳状态，总体mAP@0.5为0.947。标记物和叶片分割模型均表现出接近完美的分割精度，mAP@0.5分别为0.995和0.995。系统还配备了基于Tkinter开发的图形用户界面，支持非编程用户进行表型数据提取和人工校正。
研究的讨论部分指出，GLiMPSe在保持低成本优势的同时，其测量精度与商用高端平台相当。系统在三个生长季中已成功采集近4万株玉米的表型数据，创建了目前最大的田间单株玉米数据集之一。这些高质量数据为GWAS和QTL定位等遗传研究提供了重要支撑。
尽管系统在二维成像的遮挡处理、三维性状提取等方面仍存在局限，但其模块化设计和开源策略为后续升级提供了良好基础。研究人员公开了所有训练模型、源代码和数据集，旨在推动作物表型技术的普及化，为资源有限的育种项目提供实用解决方案。
这项研究通过整合低成本硬件、高效的计算机视觉工作流和直观的软件设计，填补了当前表型技术的关键空白，为高通量田间表型分析提供了切实可行的DIY方案，有望在作物遗传研究和育种应用中发挥重要作用。
