一片云飘过，水稻的照片就能变个样，植株本身却没有变化。对需要比较叶色或冠层形态的育种研究者来说，这关系到测量是否可靠：相机既记录作物，也记录拍摄时的环境条件。一个中国研究团队把成像工作移到了夜间，让拍摄所需的光线由设备自行供给。[1][2]
团队为 TraitDiscover 开发了夜间运行模式。这是一套商业化平台，传感器可在植株上方移动。中国科学院遗传与发育生物学研究所、PhenoTrait 和华中科技大学于 2025 年 4 月报道了这项水稻研究，将受控照明与计算机视觉结合起来。[1] 其中最有用的思路也最朴素：先让观测条件更加一致，再交给 AI 解读。
让相机的观测条件保持一致
表型测量，就是测量植物可观察到的性状。团队在轨道式平台上加装了灯阵，配套的 TraitNavigator 网页应用负责传感器管理、路线规划、任务调度和分析。这些环节直接影响整套系统的使用：一张植株图像只有准确对应到观测序列中的相应记录，才能成为有用的实验证据。[1]
设想要比较两个水稻品系，一个在明亮的阳光下拍摄，另一个恰好被飘过的云影遮住，照片中呈现的颜色差异就未必容易解释。让模型补偿光照差异，疑问仍会留在分析之中；控制照明，则是在拍摄之前先处理其中一个成因。田间依然是田间，相机却能在更一致的条件下反复观察它。
理解 AI 的实际应用，可以从这里入手。有时，决定性的工程选择就在模型身旁：一盏灯、一个相机位置，或一份拍摄时间表。采集时缺乏一致性，事后的算法再出色，也无法补回本应获得的观测。
先找到植株，再勾出轮廓
这套水稻图像处理流程结合了 YOLOv8 目标检测与 K-Net 图像分割。[2] 检测负责确定目标的位置，分割负责识别哪些像素属于目标。接下来若要测量面积或描述形状，两者的区别就直接影响结果。框住植株的矩形框也会包含背景，用于测量的轮廓则需要更贴合植株本身。
K-Net 源于通用计算机视觉研究。其 2021 年论文介绍了一套框架，学习为目标或语义类别生成掩膜，并利用图像信息更新学得的卷积核。[3] 水稻研究把这项通用能力用于具体实验，将已有的视觉方法适配到经过细致安排的观测任务中。
轮廓怎么划，看似细小，却会影响后续结果。测量叶色时，若把一块土壤也算进去，或在估算植株可见面积时漏掉一段细长的叶尖，即使算术完全正确，对生物性状的描述仍会出错。分割的价值，就在于更准确地确定计算应当包含哪些部分。
按指标实际衡量的内容解读结果
研究者建立了夜间水稻数据集，其中包含 360 个精细标注的植株掩膜。团队报告，分割性能的掩膜交并比最高达 93.52%，随后提取并验证了描述颜色、形态和纹理的 28 项参数。推算参数与参考值之间的平均 R² 为 0.95。[1][2]
这些数字对应的是这套水稻成像配置及其评估条件。交并比衡量预测区域与参考区域的重叠面积占两者并集面积的比例，它与成功育成的植株比例含义不同。R² 为 0.95，也不足以保证每一项测量值与真实值的偏差都在百分之五以内。
机构网站收录的摘要中，完整的训练集与测试集划分、推理硬件，以及条件匹配的日间对照方案等信息尚未列出。[2] 因此，结果所支持的结论有明确范围：这套采集与分析方法在报告的任务中表现良好。至于其他作物成像设备改在夜间工作能否重现这一分数，仍待验证。换到新的地点、生长阶段、冠层交叠情况或照明布置，都值得重新检验。
能为育种研究带来什么
更好的测量已有明确的研究用途。在 2023 年 6 月报道的另一项研究中，中国科学院遗传与发育生物学研究所与华中农业大学采集了水稻全生育期的图像，从中提取性状，并将这些性状与遗传变异联系起来。分析考察了随时间变化、涉及不同植株器官的发育规律。[4] 这项先前的研究有助于理解，为什么一组可靠的连续图像，比单张引人注目的照片更值得重视。
对 TraitDiscover 来说，这指向一个具体用途：重复观测有望帮助研究者区分两类植株，一类在胁迫下较早出现变化，另一类较晚出现变化。要让比较可信，需要一致的测量、相匹配的实验条件，还要把图像中提取的性状与所研究的生物学问题联系起来。更准确的分割能改善其中一环，整项研究仍需其余环节共同完成。
下一步更有说服力的证据，应当表明那些有用的差异在独立试验中仍然存在，并能帮助研究者筛选或解释他们关心的性状。收成依旧需要单独测量。眼下，夜间作业带来的价值更为直接：让两张植株照片之间的差异，更有把握地反映植株本身的差异。
来源
- 中国科学院遗传与发育生物学研究所，《田间高通量表型采集与分析研究进展》（2025 年 4 月 8 日；中文一手报道，介绍系统软件与研究结果）。
- Binghui Xu 等，《夜间环境下的稳健田间高通量植物表型测量：系统平台与水稻案例研究》，Computers and Electronics in Agriculture（2025 年；机构收录页面转载作者摘要，涵盖数据集、方法与结果）。
- Wenwei Zhang 等，《K-Net：迈向统一的图像分割》，NeurIPS 2021（出版定稿；介绍该分割框架的设计）。
- 中国科学院遗传与发育生物学研究所，《水稻全生育期表型研究进展》（2023 年 6 月 16 日；中文报道，介绍与华中农业大学合作的另一项研究）。
- Specim，《高光谱成像对植物表型测量的变革性影响：PhenoTrait 案例》（访问日期：2026 年 10 月 10 日；供应商案例，提供照片并说明设备安装于东北农业大学）。