冬小麦越冬期常因低温胁迫而减产，田间精准评估冻害是耐冻品种选育的关键。传统人工目测评价冻害存在主观性强、效率低、一致性差等问题。近年来，无人机搭载多光谱传感器等技术被应用于评估冻害程度，但存在对地表背景（如裸露土壤、枯枝烂叶等）敏感等问题，且精度和适用性仍有限。因此，亟需开发一种兼具高精度与强适应性的智能化田间冻害评估方法，以满足精准育种需求。

    近日，中国科学院遗传与发育生物学研究所蒋霓研究组在Plant Phenomics期刊上在线发表了题为FreezeNet: A Lightweight Model for Enhancing Freeze Tolerance Assessment and Genetic Analysis in Wheat的研究论文，提出了轻量化深度学习模型 FreezeNet实现对小麦苗期冻害的高精度图像分割与冻害相关表型提取。该模型在层次特征融合的基础上设计了双向注意力机制，结合浅层特征的纹理细节优势与深层特征的空间语义优势，使模型在保证轻量化的同时能够更有效地理解图像的空间位置与细节信息，从而实现了冻害的精准预测。FreezeNet模型在植株分割上Dice系数达到89.95%，IoU达到 81.85% ，且参数量较UNet减少约97%、计算量降低42倍，适合在移动端部署。将FreezeNet应用于田间小麦冻害表型分析，提取黄色植被比例（YVF）等关键冻害指标，据此鉴定出11个与抗冻性相关的显著QTL，其中8个为首次报道，涵盖多个关键CBF基因。将5个优势等位变异导入感冻品系后，YVF由0.88降至0.48，显著提升小麦抗冻性。该研究建立了适用于田间环境的小麦冻害智能评估与遗传解析体系，为精准抗冻育种提供了新技术途径和分子靶标。

    中国科学院遗传发育所博士生孙孚俊、尹谋与副研究员郑树松为论文共同第一作者，蒋霓研究员为通讯作者。该研究得到了国家重点研发计划和农业农村部重大专项的资助。

    全文链接：https://doi.org/10.1016/j.plaphe.2025.100061

 

图：人工冻害评级与模型提取图像特征的可视化对比。从左到右，五列分别对应人工评定的五个等级（等级1–5，严重程度递增）；从上到下各行依次为：原始输入图像、植株分割结果、黄叶区域以及绿叶区域。