随着全球气候变化加剧、耕地资源日益紧缩以及人口持续增长，快速、精准、规模化地挖掘作物抗逆性与高产潜力已成为植物育种领域的核心诉求。植物表型组学通过对形态结构、生理功能、（生化）组分含量等多维性状的定量刻画，为解析基因型-环境-表型（G×E×P）互作提供关键数据支撑。然而，传统人工或半自动表型手段普遍面临“劳动密集、通量低、主观性强”的瓶颈；即便近年涌现的高通量表型平台，也往往受限于“硬件-软件-算法”割裂的碎片化架构，导致多传感器时空同步困难、数据融合深度不足、跨物种可扩展性差。
针对上述“精度-通量-灵活性”三重矛盾，宏表型实验室、中国科学院遗传与发育生物学研究所、先正达种业科技（中国）有限公司联合发表了题为《TraitDiscover: An Automated High-Throughput Platform for Multimodal Plant Phenotyping with Real-Time Trait Analysis》的论文，系统阐述了一种全新的一体化平台，从工程架构、数据范式、算法创新到跨物种验证，全方位展示植物表型组学研究的新范式。
在“三位一体筑表型”技术框架的指导下——传感器是眼睛，自动化是身体，软件是大脑——TraitDiscover 平台将传感、运动和分析统一在一个单一的、模块化的“传感器到植物”平台中。它由三个紧密耦合的模块组成：毫米级精度的三轴控制系统、面向特定任务的传感器吊舱，以及基于云服务架构的软件大脑 TraitNavigator（图 1）。
自动化控制系统作为支柱，利用高精度的 X-Y-Z 伺服电机在田间、温室和受控环境中实现毫米级、可重复的定位，从而消除人为干扰，确保每次运行都能获得稳定的数据采集。安装在此龙门上的传感器吊舱作为多源数据采集的中心枢纽，具有模块化设计，可以无缝集成多个传感器，包括可见光（RGB）、三维激光/激光雷达（3D）、热成像（IR）、高光谱（HSI）及光合表型成像（PS）等传感器。所有硬件均由 TraitNavigator 协调，这是一个基于云服务架构的控制大脑，它通过直观的界面规划路径、配置任务、触发传感器、采集数据并运行实时分析——确保从实验设置到表型分析结果的各个环节在精度上准确可靠、在通量上高效高容、在灵活性上可调可扩。
图2 不同类型传感器的工作原理和代表参数
TraitDiscover 平台支持集成多模态成像单元（图2），能够从形态结构、生理功能和（生化）组分含量角度全面监测作物状况。RGB 成像以高分辨率采集可见光波段，可快速、无损地提取形态、颜色和纹理性状，如绿叶面积、冠层覆盖度和叶绿素指数。IR 成像通过红外辐射检测冠层表面温度，提供有关植物水分状况和热胁迫响应的关键信息。3D传感器（无论是三维激光扫描仪、LiDAR 还是立体视觉）输出毫米级密集点云，推导株高、体积、叶倾角等复杂结构性状。HSI 在宽波长范围内测量连续的光谱反射率，可检测与病害、营养状况和胁迫信号相关的细微生理变化。PS 成像捕获叶绿素分子吸收光能后发出的荧光，提供有关光合效率、胁迫反应和整体生理状况的信息，从而早期诊断生理变化和胁迫响应。
TraitNavigator 是 TraitDiscover 平台的基于Web端的控制和分析套件。如图3 所示，该软件由若干功能模块组成，包括实验布局设置、任务调度、图像处理和数据分析。
图3 TraitNavigator软件工作流程
该软件支持实验区域的多级空间划分——田块（Block）、小区（Plot）和单元（Unit）——因而同一平台可以从单株到群体水平进行扩展。用户可以直观地编辑每个级别的布局，分配关键信息，如基因型和处理标签，并即时将数字布局同步至物理田间。一键坐标校准可将田块坐标与 PLC坐标实现毫米级对齐，确保各集点、采集路径和动态调度在多次运行中精确再现。
TraitNavigator 集成各传感器的控制，并提供两种执行模式：全自动化调度或按需手动触发——可同时满足周期性测量与临时测量需求。用户可以分配任何单一传感器或创建自定义的多传感器组合；其中，RGB、IR 和 3D 任务可以同时触发，以缩短采集时间并提高通量。图像保真度由校准工作流程保障：RGB单元使用ColorChecker24色卡进行白平衡和颜色校正，HSI单元则通过同时捕获白板暗电流执行反射率校准，以消除系统漂移和环境噪声。此外，所有任务、校准和元数据等相关信息均在历史任务记录表中查询，确保从原始数据采集到最终性状获取全过程可追溯。
图像处理是高精度植物表型分析的核心。当图像采集完成并传输到服务器上后，将自动执行分析流水线，根据不同的数据尺度（单株、群体或穴盘型）和不同的作物类型调用专用的表型分析算法。单株模式自动定位中心目标植株，进行精确的个体级表型分析；群体模式分割整个小区冠层并计算群体水平的表型参数；穴盘模式分离穴盘内的每个植株个体，以提取每株植物的性状。同时，用户可通过手动界面自由调整分析参数，如自定义设置裁剪窗口、选择目标检测方法和分割方法（DepthCropSeg、自定义阈值等），以适应任何作物类型或实验场景。
为了解决高通量表型研究中管理异构多源数据的挑战，TraitNavigator 将结构化数据库与交互式可视化工具包相结合。所有记录都按实验、基因型和处理进行层次索引，可在毫秒内查询大规模数据集。动态仪表板呈现象限图、气泡图和时间序列曲线，可一眼洞察整个生长周期的性状轨迹。这些功能为表型-基因型关联研究和育种选择提供了可靠的数据支持。
采用安装在上海、杨凌、北京、成都和长春的5套TraitDiscover平台（图4），涉及了3个验证实验。
图4 验证实验用到的5套TraitDiscover平台
平台每天自动采集可见光和叶绿素荧光图像，获取大豆植株的最大光化学效率（Fv/Fm）与叶绿素指数（Chl-Index）参数。结果表明，控水后第4天，轻旱与重旱处理的Fv/Fm分别下降9.5%与15.3%，而Chl-Index无显著差异，证明PSII光化学效率是干旱响应的“最先感知器”，较肉眼可见萎蔫提前96小时。
图5 大豆干旱胁迫试验
2）玉米草甘膦抗性筛查：在处理后24小时，RGB图像与人工评分均未显症，但Fv/Fm已下降0.06；第3天NDVI才出现3.5%下降，SIPI则先升后降，反映类胡萝卜素/叶绿素比值动态，揭示“功能-结构-色素”序贯胁迫轨迹。平台因此实现比常规目测提前24小时的除草剂安全评价。
图6 草甘膦抗性试验
3）水稻本地适应性分析实验：利用3D点云提取株高（PH）、数字生物量（DB）、叶倾角（LI）、光穿透深度（LPD）等六类结构性状。结果显示，南种北移后PH、DB降低而LI增大，北种南移则相反；叶倾角对环境敏感，而冠幅大小保持遗传稳定，首次在群体尺度量化“叶角可塑性-冠幅缓冲性”育种规律。
图7 水稻本地适应性实验
TraitDiscover 提出的模块化硬件与统一软件深度耦合的体系架构，突破了高通量植物表型领域固有的“刚性-碎片化-异步性”三重瓶颈，支持在线重配置以适配不同作物、地块几何与实验设计。规范数据模式与共享元数据层取代了传统拼贴式工具链，实现平台微秒级硬件时间戳与鲁棒时空对齐，同时也保障了多模态数据精准融合；近实时预处理与性状提取显著压缩了“采集-分析”延迟。大豆干旱时序、玉米草甘膦抗性筛选及水稻本地适应性试验共同表明，该平台可跨作物、跨生态区、跨胁迫场景持续稳定运行，在维持高通量的同时捕获早期胁迫信号并解析微效 G×E 模式，从而突破“精度-通量-灵活性”传统权衡，为育种与农艺研究提供可扩展、可配置且高可靠的整体解决方案。
Xu et al,TraitDiscover: An Automated High-Throughput Platform for Multimodal Plant Phenotyping with Real-Time Trait Analysis, Smart Agricultural Technology,2025, 101691, https://doi.org/10.1016/j.atech.2025.101691.
