《Plant Phenomics》：Quantification of lettuce leaf DUS test traits and phenotypic fingerprint construction for variety identification
编辑推荐：
为了解决传统生菜DUS（特异性、一致性、稳定性）测试中人工评估效率低、主观性强的问题，本研究提出了一种基于图像的高通量表型分析流程，构建了用于生菜亚群识别的可解释性表型指纹框架。通过开发的轻量级语义分割网络LGASSNet，实现了叶片多组分（叶肉、主脉、侧脉）的精准提取，并依据UPOV指南对7项DUS测试性状（叶形、叶尖形状、叶缘形状、叶脉形状、色调、亮度、花青素着色）进行了量化。研究基于709张生菜叶片图像数据，最终通过PCA选取13个关键性状构建了“表型身份证”（phenotypic ID），使亚群识别准确率达到98.59%。该研究为自动化DUS测试性状评估和智能作物品种鉴定提供了一种可扩展的新方法。
在现代农业生产和植物育种中，准确、快速地区分不同作物品种至关重要，这不仅关乎品种知识产权保护，也是提高农业竞争力的核心。对生菜这类广泛种植的叶类蔬菜而言，其品种的“身份证明”通常依赖于DUS（Distinctness, Uniformity, and Stability，即特异性、一致性和稳定性）测试。然而，传统的DUS测试高度依赖专家的人工观察和测量，过程费时费力，且容易受到主观判断的影响，难以大规模、标准化地开展。随着计算机视觉和人工智能技术的发展，利用图像自动分析植物叶片形态，构建数字化的“表型指纹”成为极具潜力的解决方案。但生菜叶片表型性状（如形状、颜色、纹理）高度多样且复杂，受基因型和环境的双重影响，如何高精度、自动化地提取关键性状，并将其转化为稳定、可解释的品种标识符，仍是当前精准农业面临的一大挑战。
针对这一难题，由吉林农业大学智能农业研究所的邱广杰、温伟梁、陈晓倩、王传宇、杨思、郭新宇、赵春江等人组成的研究团队，在《Plant Phenomics》上发表了一项开创性研究。他们建立了一套完整的、从图像采集到品种鉴定的高通量表型分析流程，并成功构建了用于生菜品种鉴别的可解释性表型指纹框架。这不仅大大提升了DUS测试的效率和客观性，也为作物种质资源管理和智能育种提供了全新的技术范式和数据基础。
为开展研究，作者采用了多个关键技术与方法：首先，在标准光照条件下采集了237个生菜品种（涵盖7个亚群）共709张高分辨率叶片图像，并进行了严格的色彩校准和预处理。其次，研究人员开发了一个名为LGASSNet的轻量级语义分割网络，该网络结合了分组注意力和高效多尺度注意力机制，能够精确分割叶片图像中的叶肉、主脉和侧脉等组分。在此基础上，他们自动化地提取了包括形状、颜色和纹理在内的多维表型性状，并依据国际植物新品种保护联盟（UPOV）的指南，对7项关键的DUS测试性状进行了量化。最后，利用主成分分析（PCA）从17个初始性状中筛选出13个核心性状，构建了每个品种唯一的“表型身份证”（Phenotypic ID），并采用多种机器学习模型进行亚群品种的识别与验证。
研究结果
3.1. 语义分割性能分析
研究开发的LGASSNet网络在生菜叶片多组分（叶肉、主脉、侧脉）语义分割任务中表现出色。与PSPNet、DeepLabv3+、HRNet、UNet等主流模型相比，LGASSNet在准确性（96.78%）、精确率（91.24%）、召回率（89.13%）和F1分数（90.08%）等指标上均达到最优。同时，该模型在保持高分割性能（MIoU为84.08%）的前提下，具有轻量化的优势，模型参数仅4.58M，计算量为22.27G FLOPs，推理速度达63.35 FPS，实现了精度与效率的良好平衡。可视化结果也显示，LGASSNet在叶缘锯齿和细密侧脉等复杂结构的提取上，比对比模型具有更好的连续性和完整性。
3.2. 表型性状分析结果
研究对709张生菜叶片的基础表型性状（叶长、叶宽、周长、面积）和DUS测试性状进行了量化分析。基础性状呈正态分布，不同品种间差异显著。DUS性状分析显示，不同亚群在叶形、叶尖形状、叶缘形状和叶脉形状上具有不同的分布模式。例如，结球生菜（Crisphead）叶尖主要为尖形（acute）和钝形（obtuse），叶缘多为二齿状（bidentate）；而罗马生菜（Romaine）则主要为宽椭圆形（broad elliptic），叶尖为钝形或圆形（rounded），叶缘为圆齿状（crenate）或齿状（dentate）。颜色分析表明，整体色调（H）在40°到50°之间，亮度（V）在80°到120°之间，呈黄绿色和中等亮度。相关性分析揭示了性状间的协同关系，例如叶面积与叶长、叶宽显著正相关，而亮度与花青素含量呈显著负相关。几何性状提取验证（R2> 0.99, MAPE < 8.65%）和DUS性状分类验证（总体准确率95.77%）均证实了本流水线提取性状的准确性和可靠性。
3.3. 表型指纹的构建与可视化
通过对提取的17个表型性状进行主成分分析（PCA），前10个主成分累计贡献率达95.82%。研究据此筛选出重要性排名前13的性状作为构建表型指纹的核心特征。这些特征经过标准化和顺序编码，形成了每个品种独特的、可解释的“表型身份证”。该身份证融合了形状、颜色和纹理三个维度的信息，并以热图编码序列的形式进行可视化，直观地展示了不同品种在多维特征空间中的表型多样性。
3.4. 亚群品种鉴定结果
利用构建的表型指纹（Phenotypic ID）进行亚群品种鉴定，其性能显著优于仅使用单一维度特征（形状、颜色或纹理）的分类模型。在多种机器学习分类器（决策树、K近邻、朴素贝叶斯、随机森林、逻辑回归、支持向量机）中，基于表型指纹的支持向量机（SVM）模型取得了最佳性能，准确率高达98.59%，精确率、召回率和F1分数均超过98.5%。混淆矩阵显示，该方法能有效区分7个生菜亚群，证明了多维表型指纹在品种精确分类中的强大鉴别力和泛化能力。
研究结论与讨论
本研究成功开发了一套用于生菜叶片DUS测试性状量化和表型指纹构建的高通量、自动化分析流程。核心贡献在于：第一，提出了一个高精度的生菜叶片表型性状提取流水线，通过先进的轻量级语义分割网络LGASSNet，实现了叶片多组分结构的自动分割和表型性状的自动化提取。第二，建立了一套基于UPOV指南的生菜叶片DUS测试性状高精度量化方法，为客观、一致、高效的DUS测试评估提供了可靠依据。第三，引入了一种表型指纹构建新范式，通过整合多维表型性状生成了可解释的“表型身份证”，为表型分析、品种鉴定和精确分类提供了新的表征形式和理论基础。
这项研究的深远意义在于，它将计算机视觉和人工智能技术与传统的植物表型鉴定需求紧密结合，为自动化DUS测试和智能品种鉴定提供了一条可扩展的技术路径。所构建的“表型指纹”不仅具有高鉴别精度，还具备良好的可解释性，有助于育种家和种质资源管理者直观理解品种间的表型差异。该方法框架具有较强的通用性，未来可扩展到其他作物，推动多组学驱动的智能育种发展，并为种质资源保护、新品种登记和农业知识产权管理提供高效、标准化的工具，是迈向数据驱动型精准农业和智慧育种的重要一步。
