自人工智能深度学习技术兴起以来，植物表型研究与计算机视觉的结合愈加紧密。玉米（Zea mays L.）已成为世界主要作物之一，产量超过小麦和水稻。玉米不仅直接食用，还广泛用作动物饲料和工业原料，导致当代社会对玉米的需求增加。然而，近年来频繁的自然灾害给包括玉米在内的粮食生产带来了巨大挑战。因此，保障粮食安全和提高玉米产量是玉米生产的基本目标。在提高玉米产量的各种方法中，新品种的选育和种植是最关键的技术之一。

玉米果穗的形态特征是新品种选育的关键因素。此外，玉米果穗是玉米光合产物的重要储存库，与产量直接相关。因此，研究玉米果穗的表型和遗传模式对提高玉米产量和品质具有重要意义。在玉米育种过程中，果穗的表型性状，穗粒数、穗行数与行粒数等与产量密切相关的性状，一直是重要的表型参数。然而，这些性状的获取长期依赖"一把尺子一双眼"的人工考种模式，效率问题突出，不仅耗时耗力，还易受人为误差影响。而现有基于机器视觉系统的考种机又存在价格不菲，需在受控环境下采集图像，操作复杂，难以在开放场景下普及等问题。

2025年10月，《Plant Phenomics》在线发表了华中科技大学陆昊团队与慧诺瑞德/宏表型实验室韩志国团队联合完成的最新研究成果——《CornPheno: Phenotyping corn ear kernels in the wild via point query transformer》。该论文详细描述了目前已集成在免费植物表型小程序OpenPheno中的表型模块CornPheno的技术方案，提出了一种能够在自然光照和复杂背景下进行玉米穗粒智能分析的低成本方案，使科研人员仅凭一部智能手机即可获取高精度的玉米穗表型测量结果。

CornPheno的核心思想源自人群计数视觉算法。研究团队将原本用于密集目标定位的Point quEry Transformer（PET）适配于此任务，得到玉米穗粒识别的CornPET模型。CornPET能够直接输出每一颗穗粒的位置点坐标，实现了高解释性与强鲁棒性的穗粒定位和计数。在此基础上，论文提出了一种名为UNICORN的创新算法，用以识别玉米穗的行结构。该方法提出的“压缩聚类”和“双向搜索”技术，即便在存在缺粒、弯曲行或局部遮挡的情况下，仍能准确推断穗行数和每行穗粒的数量与排布。

图3 CornPheno的技术概览

具体而言，CornPET模型利用卷积神经网络提取多尺度图像特征，再通过Transformer的矩形窗口注意力机制实现从全局到局部的特征聚合，从而捕捉穗粒在穗轴上的空间分布关系（图4）。引入自适应四叉树查询结构，根据穗粒密度动态划分查询点，以保证局部区域的检测精度。模型输出的每个点均对应一颗穗粒的精确坐标位置与置信度，而非连续密度图或掩码图像，因此具备更高的可解释性与校验性。研究人员可直接在预测图上核对穗粒点位，实现模型结果的人工快速审阅与精度验证。

图4 CornPET技术流程图，通过CNN Backbone、渐进编码注意力、四叉树点查询等步骤进行玉米穗粒位置预测

UNICORN以CornPET输出的穗粒坐标为基础，充分利用玉米穗形态的先验知识，从几何与统计角度出发，通过“压缩聚类”与“双向搜索”两个核心策略，实现了对穗行的高鲁棒性识别（图5）。算法首先利用主成分分析（PCA）提取玉米穗的主轴方向，并在其中心区域选取几何分布最规则的“中段”穗粒点作为基准。进行横向压缩，使得原本分布在圆柱表面的穗粒在二维平面中被“挤压”到更紧凑的结构，以便通过K-means聚类算法准确区分行向分布。团队统计部分玉米的穗行粒间角度统计分布（图6），并以此为依据设计了双向搜索算法。UNICORN从穗的中部向两端执行双向搜索，逐步延展每一行的边界。该过程中会计算相邻点之间的夹角变化，并根据设定的阈值对角度偏移进行动态修正，从而消除局部噪声或预测偏移带来的影响。这一设计使得算法能够在行弯曲、缺粒断行或穗面部分遮挡的情况下，依然维持连续且准确的行结构推断。对于穗端出现的部分行，UNICORN还会执行二次聚类，自动补全边界，从而获得完整的穗粒分布重建。

图5 UNICRON技术流程图，包括压缩聚类、双向搜索和二次聚类过程，得到玉米穗行表型数据

图6 玉米穗行粒间角度统计分布，其主要分布在0-20°

为验证方法，团队构建了一个名为CKC-Wild的开放数据集，涵盖1,727张来自田间、室内和表型机器多场景的玉米穗图像，每颗穗粒均经过人工点级标注（图7）。基于这一数据集，CornPheno与六种主流算法（包括BCNet、CSRNet、TasselNetV2/V3-Lite、P2PNet和CCTrans）进行了系统对比。实验结果显示，CornPheno在穗粒计数任务中取得最高性能，R²值达到0.7641。在行检测任务中零误差率高达80.3%，平均每行粒数的预测精度（F1分数）达到0.94，在自然环境下表现出接近实验室条件的可靠性。

图7 团队构建的CKC-Wild数据集

更具意义的是，目前CornPheno算法已集成至慧诺瑞德/宏表型实验室发布的免费微信小程序OpenPheno中（图8）。用户只需使用手机拍摄玉米穗照片，即可在数秒内获得穗粒总数、行数与行粒数等核心参数，无需任何专业设备或后期处理。这一“拍照即测量”的便捷模式，为育种科研人员提供了随时随地的智能表型分析工具，使AI真正走向田间地头。

图8 CornPheno已上线OpenPheno小程序平台

OpenPheno是一款基于微信平台的小程序（Plant Methods, 2025），由慧诺瑞德（PhenoTrait）公司宏表型实验室（MetaPheno Laboratory）开发，旨在为植物表型研究提供一种高效、便捷、低成本的解决方案。它利用先进的深度学习算法和云计算技术，将复杂的表型分析功能集成到手机上，让科研人员随时随地都能进行表型数据的采集和分析。目前已上线CornPheno、SeedPheno、LeafPheno、CanopyPheno、WheatHeadPheno、SpikeletPheno、LeafAnglePheno、TomatoPheno等模块。OpenPheno已经拥有来自世界各地的1.3万用户。

CornPheno的发布，标志着智能表型测量从实验室走向田间的又一次重要跨越。未来，研究团队计划进一步扩展算法至多视角与多作物场景，为高通量表型研究与智能育种提供更强大的工具支持。

论文匿名审稿人表示，“The research is solid, innovative, and holds significant application potential."

值得注意的是，CornPheno的核心开发团队均为本科生，该论文始于一项国家级大学生创新创业项目，发展于“挑战杯” 全国大学生课外学术科技作品竞赛和创业计划大赛，是一项产学研的极佳实践。