2026年3月，法国国家农业食品与环境研究院Marie-Pia D'Argaignon等人在Plant Phenomics期刊上发表了题为High-throughput phenotyping of wheat ear surface area and ear density in the field的研究论文，该文章提出了一种高通量、非破坏性的田间小麦穗部性状测量方法，结合Phenomobile机器人、深度学习算法和比尔-朗伯定律实现穗密度和穗表面积精准估算，并验证其与产量及产量构成因子的强相关性。
该研究主要解决以下问题：
1.如何开发高通量、非破坏性的田间小麦穗部性状测量方法；
2.验证所提方法在多环境、多基因型条件下的准确性与遗传力；
3.穗表面积和穗面积指数作为产量组分替代指标是否具备有效性；
非破坏、高通量和自动化的田间小麦穗部性状测量方法
研究利用地面机器人在可控光照下获取小麦冠层俯视与45°RGB图像及LiDAR点云。通过YOLOv5实现穗自动检测与计数，结合LiDAR冠层高度精准计算成像面积，估算穗密度；进一步采用Unet分割模型提取穗像素，计算多视角穗间隙率，反演比尔-朗伯定律估算穗面积指数，最终推导出穗表面积。该方法首次将物理传输模型与深度学习结合，通过多角度穗间隙率反演穗面积指数，较纯图像回归更具可解释性与泛化能力，为冠层结构参数反演提供了新思路，实现了高通量、非破坏、高精度的穗部表型采集。
验证测量方法在多环境、多基因型条件下的准确性与遗传力
研究在多个环境下开展田间试验，选取10个小麦品种，分别在不同管理条件(年份、地点、播期、水分与密度处理)及不同生育阶段进行数据采集，通过与人工测量结果对比，计算RMSE、r²和RC评估方法的准确性。结果表明，该方法对无芒小麦的测定精度优异，与人工测量相比，穗密度相对误差仅12%，穗表面积相对误差18%；对于有芒品种，穗表面积相对误差高达41%，但这主要由于传统叶面积仪在人工测量时过度计入了麦芒面积，导致“真值”存在系统性高估。相比之下，本方法通过图像分割仅提取穗部主体，排除了麦芒干扰，所得结果更具生物学真实性。
评估穗表面积和穗面积指数作为产量组分替代指标的有效性
研究将估算的穗面积指数与实测籽粒产量进行回归分析，发现两者呈强正相关(R²=0.83)。估算的穗表面积与实测单穗粒重亦高度相关(R²=0.80)，且这一关系在不同品种中稳定存在(品种内R²介于0.80-0.95)。相关分析显示，穗表面积与千粒重的相关性(R²=0.64)高于与穗粒数的相关性。结果表明，这两个基于图像估算的指标可作为产量及产量构成因子的有效非破坏性替代指标。
该研究开发的高通量小麦穗部性状测量方法，通过结合RGB图像和LiDAR数据，为田间表型分析提供了高效、非破坏性的技术方案。所提算法已开源，并可适配其它45°RGB成像的表型设备，具有广泛的适用性。
