小麦产量主要由单位面积穗数、穗粒数和千粒重等因素共同构成，其中穗粒数是决定小麦产量形成的重要因素，也是产量预测的关键参数之一。然而，在实际生产与科研调查中，小麦穗粒数的统计方法仍然采用人工对成熟期麦穗脱粒后进行逐粒计数，该方法不仅时效性差、效率低，而且受人为因素影响较大，难以实现高效、客观和无损测量。因此，研发高效、精准的小麦穗粒数自动化检测与计数技术，已成为当前作物表型组学领域亟待解决的科技问题。鉴于此，人工智能驱动的小麦多维表型信息自动化提取与深度解析已成为重要技术手段，及时准确地解析小麦穗粒数，对加速小麦品种选育进程具有重要的理论意义和应用价值。

近日，河南省农业科学院农业信息技术研究所在《Frontiers in plant science》期刊发表了题为《Study on automatic detection of wheat spike grain number based on deep learning》的研究论文，中科院2区，影响因子为4.8。针对现有小麦穗粒数统计仍需依赖脱粒后的人工计数，存在计数效率低、费时费力等问题，该研究自建了小麦穗粒图像数据集，研制了基于深度学习的小麦穗粒数自动解析模型，预测Precision、Recall和mAP50分别为96.8%、96.8%和98.9%；该模型能够从高分辨率时间序列图像中提取小麦穗粒特征，解决了小麦穗粒小、交叉重叠与相互黏连的技术难题，实现了灌浆期至成熟期小麦穗粒数的智能解析。本研究提出了一种高效、无损的小麦穗粒智能计数方法，设计并实现了小麦穗粒计数微信小程序，实现了小麦穗粒的自动检测与精准计数，显著提升了小麦穗粒计数效率与精度，为其他农作物的穗粒检测、计数以及产量估算提供了有价值的参考依据。

河南省农业科学院农业信息技术研究所臧贺藏为第一作者，张杰和赵晴为论文通讯作者。本研究得到河南省农业科学院自主创新项目（2025ZC77）和河南省农业科学院科技创新团队项目（2024TD07）的资助。