近日，中国农业大学土地科学与技术学院马韫韬教授团队在AI驱动的棉花高通量表型解析领域取得系列重要进展。团队围绕棉花关键生育时期的表型智能识别与量化分析，在Computers and Electronics in Agriculture、Plant Phenomics和Precision Agriculture等国际权威期刊上连续发表三篇研究论文，题目分别为MS-R outperforms RGB: Lightweight CYOLO-BiCNet enables efficient detection and storage optimization of cotton flowers，Scalable phenotyping and yield estimation via stability index and single-plant variability using a vision-based large model framework和Assessing Cotton Boll-opening Concentration for Harvest Decision-making via Foundation Model-enhanced Cross-scale Phenotyping。三篇论文构建了覆盖“花器官检测—单株表型解析—吐絮动态评估”的棉花全生育期AI表型技术链条，为推动棉花智慧育种和机械化收获决策提供了重要的方法学支撑与技术方案。

团队在作物表型组学与智能农业方向具有深厚的研究积累。近年来，又将研究视野从大田粮食作物拓展至经济作物领域，与中国农业科学院棉花研究所杜雄明研究员、何守朴研究员团队建立了紧密的合作关系。合作团队围绕棉花种质资源评价、株型调控与机械化适配等核心问题，联合开展了大量田间表型试验与数据采集工作，为AI表型技术的落地提供了丰富的多源、多尺度、多时段数据基础和育种应用场景。在此基础上，马韫韬教授团队充分发挥在深度学习建模、无人机遥感与高通量表型解析方面的技术优势，逐步形成了面向棉花全生育期的智能化表型研究体系。

此次发表的三篇系列论文，分别从棉花不同生育阶段的关键表型需求出发，构建了一条由花器官快速检测、单株尺度多维表型解析到吐絮动态评估与收获决策的技术闭环。论文一针对棉花花期花朵检测的效率与存储瓶颈，提出了轻量化检测网络CYOLO-BiCNet，证实独立获取的多光谱红波段（MS-R）在花朵检测精度与存储效率上均显著优于传统RGB图像，为大田尺度花器官高通量监测提供了低成本、高效率的数据-模型组合方案。

图1 基于CYOLO-BiCNet模型对不同数据类型、多个时期棉花花的推断结果分析

图1展示了CYOLO-BiCNet模型在MS-R、RGB及RGB-R三种数据上的可视化推理结果。整体来看，MS-R数据的漏检花朵数量最少，检测效果最优；RGB与 RGB-R数据漏检相对较多。从不同采集日期来看，7月30日三种数据的漏检数分别为11、16、19朵；8月8日降至4、6、7朵；8月15日为3、7、5朵。可视化结果直观表明，MS-R数据在各时段均表现出最佳的花朵检测性能，漏检情况显著少于RGB和RGB-R数据。

图2 基于视觉大模型的棉花单株多维表型解析与高产种质筛选技术流程

论文二聚焦单株尺度表型解析这一育种核心需求，开发了视觉大模型框架TopoRefineSAM，融合YOLOv12检测与SAM2分割能力，实现了复杂田间条件下棉花单株的精准实例分割与多性状反演；同时创新性地提出稳定性指标组（SIG），将单株间的差异转化为小区尺度的稳定性特征，显著提升了产量估算和品种筛选的准确性与可解释性。

图3 有无稳定性指数组时，产量反演精度和特征重要性之间的差异

图3展示了稳定性指数组（SIG）对小区产量反演精度的提升效果。引入SIG后，全生育期决定系数R2由0.344–0.629提升至0.512–0.701，RMSE与MAE同步下降。生育前期精度偏低，7月3日与10日R2分别由0.473、0.440升至0.512、0.520；随生育进程推进，模型表现持续改善，8月23日R2达全季最高0.701（无稳定性指数组时R2为0.629）。特征重要性分析显示，RHa_mean始终为最关键预测因子，而Ta_stability、Tl_stability、RHa_stability与 Tc_stability均进入前十，稳定性特征整体贡献超过61%。结果表明，SIG有效整合了株间变异信息，显著增强了模型对产量差异的解释能力与全生育期预测精度。

图4 棉花吐絮进程动态监测与基于CTSI指数的机械化收获决策框架

论文三则瞄准棉花机械化收获中吐絮集中度评价这一产业痛点，开发了基于视觉基础模型的DINO-BollGX检测框架，结合两年期383个品种的多时相无人机影像，重建了小区尺度吐絮动态时序曲线，提出了棉花吐絮时间稳定性指数（CTSI），并将其与时间风险函数耦合生成收获决策曲线，为品种适宜机收性评价和最优收获窗口确定提供了定量化工具。

图5 383个品种棉花吐絮时空分布特征及代表性品种动态吐絮曲线聚类分析

图5展示了多时相无人机棉铃吐絮计数的群体与品种尺度动态。群体尺度上，吐絮在时间分布上呈后期集中态势：观测初期（8月中下旬）各小区吐絮量极低，中位数均不足峰值的5%，箱线图四分位距狭窄，表明吐絮进程缓慢且表达微弱；进入9月中下旬后中位数快速攀升，四分位距显著拓宽，标志着吐絮进入加速期；10月14日至20日为吐絮高峰窗口，中位数由131跃升至277铃/小区，约半数季节最大吐絮量在此短期内完成；11月初中位数小幅回落至244，提示吐絮基本完成并伴有少量损耗或遮挡。品种尺度上，383个品种整体表现为前期缓慢、后期快速增长的动态模式，但吐絮起始时间与后期增速差异显著。基于标准化动态特征的K-means聚类进一步将品种划分为两类：紧凑高量型吐絮窗口短（中位6天）、峰值高（中位460铃/小区）、速率快（35铃/天）；延续型窗口长（约60天）、峰值低（144铃/小区）、速率缓（2.4铃/天），两组差异均达极显著水平（p<0.001）。

三篇论文沿棉花“花—株—铃”的生育主线层层递进，形成了从器官识别、个体解析到群体决策的完整技术体系。这一系列成果的核心意义在于，将人工智能与高通量表型技术深度融合，为棉花育种从传统的经验选择向数据驱动的精准筛选转型提供了系统性解决方案。当前，我国棉花种质资源丰富但表型评价手段仍相对滞后，大量优异种质因缺乏高效、标准化的表型鉴定而未能被充分发掘利用。未来，团队将聚焦更多元化的棉花种质资源群体，结合新疆、河南等不同生态区的目标环境特征，拓展表型解析框架在不同棉区和种植制度下的适用性与泛化能力；同时，进一步整合数字孪生、作物生长模型与基因组信息，构建贯通“表型—基因型—环境—管理”的棉花智能设计体系，为我国棉花种业振兴和智慧农业的高质量发展提供核心技术支撑。

上述三篇论文的第一作者均为土地科学与技术学院博士研究生陈勉，通讯作者为马韫韬教授。合作者包括中国农业科学院棉花研究所杜雄明研究员、何守朴研究员、耿晓丽副研究员、胡道武副研究员；中国农业科学院生物技术研究所张锐研究员；中国农业大学农学院田晓莉教授等，研究得到了国家重点研发计划、国家自然科学基金等项目的资助支持。