近日，我校计算机学院吴文博士与中国农业科学院相关团队，围绕植物新品种特异性、一致性和稳定性（DUS）测试的智能化需求开展合作研究，完成“玉米四性状智能判别平台”的阶段性研发与集成验证，该平台面向玉米第一叶鞘、花丝、花药和茎秆基部支持根4类花青甙（花青苷）显色强度性状，能够对田间或室内采集的图片进行自动识别、目标定位和1—9级判定，为传统依赖人工经验的表型调查提供更加高效、可追溯的智能辅助工具。
玉米DUS测试中，显色强度判定具有目标尺度小、颜色易受光照和拍摄条件影响、不同器官形态差异明显等特点。针对这些难点，合作团队将计算机视觉模型与DUS测试流程深度融合，构建了由“性状识别—目标定位—等级判定—置信度门控—人工复核”组成的多阶段智能体工作流。上述系统为进一步开展多地点、多季节和复杂拍摄条件下的验证奠定了基础。
值得关注的是，该系统在完成自动判别的基础上，初步形成了“专家反馈驱动的自动进化学习”机制。专家可在结果页修正性状类别、重新圈选目标区域、确认或调整等级，也可标记无效样本。由此，智能体能够在专家把关下持续积累难例和纠错知识，形成“检测—复核—数据沉淀—增量训练—版本优化”的闭环，为后续模型迭代和能力扩展提供可追溯的数据基础。目前，平台已实现混合性状图片逐张自动识别、批量检测、检测记录查询、结果导出、人工干预留痕、模型资产校验和训练数据打包等功能，并通过47项自动化回归测试。系统对模型置信度、目标定位质量和高等级长尾样本设置了复核提示，在提高检测效率的同时保留专家最终判断权。项目后续将重点围绕统一拍摄规范、高等级及长尾样本补充、跨场景泛化验证等方向持续完善，推动DUS测试由单点算法应用向可复核、可演进的智能体协同模式拓展。
此次合作研究是我校计算机学院AI智能体技术与农业新品种测试业务深度融合的一次积极探索。相关成果有望减轻重复性图像判读工作，提升玉米性状调查的一致性与数据管理效率，并为更多作物、更多DUS性状的数字化和智能化测试提供可借鉴的技术路径。
玉米花药定位和识别
