水稻分蘖数与株型紧凑度是决定穗数、群体密度与产量形成的关键表型，但田间测量受遮挡严重、光照不均与传统人工测量效率低下等因素制约，加之自动化方案或硬件成像成本高昂、流程复杂导致此类性状的高通量获取难以突破。

近日，中国科学院遗传与发育生物学研究所等利用多年多点的水稻RGB图像数据集，开发出一种基于AI算法的模型TillerPET。该模型可在收获后水稻RGB图像中，同步完成分蘖数与紧凑度的原位高通量表型鉴定，在多年多点的水稻RGB图像数据集上均有良好表现。

TillerPET模型基于点查询的Transformer架构，引入基于深度信息的水稻区域提取模块的基础上，构建了轻量化特征提取方法，简化了原网络中的编码器架构，显著减少模型运算量的同时提升了性能。TillerPET在水稻RGB图像数据集上分蘖计数R²可达0.941，可进一步实现水稻分蘖紧凑度的测量，精度R²可达0.978。基于TillerPET提取的分蘖与株型特征，可实现不同基因型水稻品种的识别分类。多年多点水稻分蘖及株型表型数据可为水稻株型育种提供数据支撑。

相关研究成果发表在《作物学报》（The Crop Journal）上。研究工作得到国家自然科学基金项目和湖北省自然科学基金项目的支持。

分蘖及株型性状高通量获取研究取得进展