2026年7月28日，中国科学院分子植物科学卓越创新中心周济研究组与南京农业大学合作在国际植物科学经典期刊Journal of Experimental Botany在线发表了题为“LeafTip-RN: Generative AI-powered temporal interpolation for continuous phenotypic analysis of seedling establishment traits in wheat”的最新研究成果。研究团队创新地结合生成式人工智能（Generative Artificial Intelligence, GenAI）、超低空无人机表型采集、以及自主研发的小目标特征提取深度学习算法，构建了开源小麦幼苗建成（seedling establishment）性状评价平台LeafTip-RN。该平台不但实现了对不同小麦品种幼苗连续生长过程的GenAI时序图像重建，还构建了面向复杂田间环境下幼苗叶尖点的检测算法，完成了早期出苗表型（如速率和整齐度等）的自动化提取和出苗趋势的解析，为小麦苗期大规模品种鉴选提供了的开源AI数据集和智能解决方案。
小麦是全球最重要的主粮作物之一，其田间出苗情况直接影响了植物的早期光能利用效率、后续群体结构及最终产量的形成。然而，传统出苗评价主要依赖人工调查和固定时间点观测，普遍存在耗时长、效率低、过度依赖人工经验等问题。因此，如何大规模、高通量量化分析幼苗生长过程中的重要农艺性状及其表型变化，是现代育种和作物栽培中的重要研究内容。周济实验室开发的LeafTip-RN平台，利用经济型无人机DJI Mini 3 Pro，在距地面1.8米高度完成超低空毫米级作物图像采集，在2024-2026小麦生长季每隔2-3天获取了51个小麦品种的幼苗建成图像序列。然后，针对传统无人机表型采集时间分辨率（temporal resolution）有限的问题，研究团队首次将GenAI技术引入植物表型研究，按时序推演生成多个实际观测点间的出苗过程，并以此重建幼苗生长的时序图像集。后经质量控制和专家验证，完成了包含353,019个叶尖标注样本的超大规模开源训练数据集的建立，以此自主研发了针对田间复杂背景下小麦幼苗叶尖的高精度识别、定位与计数AI模型（图1）。最后，为方便广大研究团队和育种家使用，团队还设计开发了图形化用户界面，完成了出苗动态表型（如小区内叶尖数量、叶面积投影、出苗空间均匀度等重要性状）的自动化提取流程（相关源代码、训练集和AI模型已上传https://github.com/The-Zhou-Lab/LeafTip-RN/releases）。
图1、利用生成式人工智能（GenAI）图像插值构建开源深度学习数据集。图中饼图（外环）显示了GenAI数据增强后小麦在各幼苗建成阶段的训练样本。以此，研究完成了小麦叶尖提取与深度检测神经网络架构的建立和训练。其中，通过卷积层和特征拼接操作实现了多尺度图像特征的融合，通过多阶段分类过程对网格化特征进行推理，完成了叶尖密度热力图和位置密度图的输出。
本研究还基于GenAI生成图像序列构建了51个小麦品种的出苗趋势曲线，计算了出苗相对变化速率及均匀度指数，实现了对小麦出苗过程的综合评价。通过与传统单时间点人工调查验证结果，本研究发现田间幼苗建立是一个连续变化的生育时期，而基于时序的性状解析更能揭示不同小麦品种在与环境互动中的动态表型差异（图2）。该研究不仅为小麦出苗评价提供了新技术、新方法，也展示了GenAI在植物研究中的重大应用潜力。此外，LeafTip-RN平台也在松江基地水稻早期出苗试验中进行了验证，展示了该平台良好的泛化性和鲁棒性。
图2、LeafTip-RN软件图形用户界面及其对幼苗相关表型性状的自动定量分析流程。通过开源软件，基于八个无人机观测时间点（18-40 DAS）对小麦品种提取了幼苗数量和叶片投影面积，并以此构建品种幼苗建成的拟合曲线。最右侧子图展示了基于GenAI插值图像序列推演的幼苗数量、叶片投影面积、相对生长速率及其整齐度，并与无人机获取的表型进行对比。
中国科学院分子植物科学卓越创新中心博士后戴杰、南京农业大学前沿交叉研究院硕士研究生黄金龙和博士研究生闻桢杰共同担任论文第一作者，周济教授为本研究通讯作者。中国科学院分子植物科学卓越创新中心班松涛博士、博士后宋晓敏及英国国家农业植物研究所（NIAB）鞠磊博士等共同参与了研究工作。本研究得到了中国科学院先导科技专项、植物性状形成与塑造全国重点实验室攻关基金、英国BBSRC AI for Science专项基金及英中国际合作项目等资助。
