白叶枯病可致水稻减产超70%，而野生稻中蕴藏着丰富的抗性基因。中国农业科学院联合多家单位开发的XooNet技术，让无人机化身“田间筛选师”，仅用消费级无人机即可高通量鉴定抗性种质，整体准确率高达97.5%，为野生稻基因资源挖掘装上“加速器”。

一、抗病育种的第一道“拦路虎”

白叶枯病是全球水稻生产中最具破坏性的细菌性病害之一，严重发生时减产幅度可超过70%。化学农药防治虽有一定效果，但存在环境污染和农残风险。挖掘利用野生稻中的抗性基因，是培育抗病品种最经济、最环保的途径。

然而，传统筛选方法长期面临三大困境：效率低——依赖育种人员每日下田观察记录;主观性强——不同人员的判定标准难以统一;难以规模化——面对成千上万份野生稻材料，人工方法力不从心。

更棘手的是，白叶枯病菌生理小种持续演变，导致已育成品种的抗性可能衰退，抗性筛选需要持续进行、反复开展。这背后是巨大的人力、时间和资源投入。

二、科创亮点：让无人机成为“抗性鉴定师”

2026年2月20日，中国农业科学院国家南繁研究院、农业信息研究所联合中国水稻研究所、中国农业大学、江西农业科学院等多家单位在《Frontiers in Plant Science》发表研究，首次提出XooNet——基于无人机的高通量抗性筛选方法，实现野生稻白叶枯病抗性等级的自动化评估。

亮点一：端到端的完整解决方案

与以往研究仅聚焦病害检测不同，XooNet构建了从图像采集到抗性评级的完整技术链条。研究团队在三亚坡田洋基地建立野生稻病圃，对从广西、海南、云南等地收集的野生稻材料进行PX099强致病力菌株接种，在5–21天染病期内用无人机采集图像，最终实现抗性等级的自动化判定。

亮点二：高精度轻量化OBB检测算法

针对无人机视角下病斑呈现“细长、旋转”的形态特点，研究团队开发了定向边界框(OBB)检测算法，能够精准识别复杂田间背景下的病斑形态与分布。

实验结果显示，该筛选方法的整体准确率达到97.5%。这一数据经两位野生稻种质鉴定专家验证，模型识别结果与人工判定高度一致。

亮点三：LAMP剪枝——小模型、大效能

在保持检测精度的前提下，团队应用LAMP剪枝策略对模型进行轻量化优化。优化后的模型参数量仅1.4M，计算复杂度3.5 GFLOPs，而准确率仍保持在93.1% 的高水平。

这意味着模型可以轻松部署在边缘设备上，无需强大算力支持。

亮点四：消费级无人机即可，成本降低两个数量级

现有基于高光谱遥感的筛选方法虽精度高，但设备成本超8万美元，且操作复杂，难以被育种实验室广泛采用。

XooNet仅需大疆Mini系列等消费级无人机采集RGB图像，大幅降低了技术门槛和硬件成本。研究中使用的DJI Mini 2和DJI Mini 4 Pro，飞行高度0.6–1.5米，图像分辨率1920×1080像素，在晴天、多云、阴天等多种天气条件下均可采集。

三、技术内涵：算法如何看懂“病斑”

XooNet的技术核心在于让深度学习模型理解病斑的“语义”——不仅要“看见”病斑，还要“看懂”病斑的形态、分布和严重程度，进而推断植株的抗性等级。

研究团队在数据处理上做了精心设计：

高斯模糊：5×5核、σ=1.5，降低高频噪声

形态学开运算：3×3矩形结构元素，清除细小杂物、优化病斑边界

Z-score归一化：标准化光照条件，消除不同时段、不同天气下的光照差异

这些预处理保证了模型在各种田间条件下的稳定表现。

四、应用前景：从“找基因”到“用基因”

1. 加速优异基因资源挖掘

野生稻是天然的“抗性基因库”。XooNet可高通量筛选大量野生稻种质，快速锁定携带抗性基因的优异材料。论文指出，该技术将“加速发现珍贵的野生稻遗传资源”。

2. 动态监测抗性变化

随着病原菌生理小种演变和种植环境变化，已育成品种的抗性可能衰退。XooNet可进行持续性、规模化监测，及时捕捉抗性变化信号。

3. 技术可迁移性

该框架有望扩展至其他作物病害(如稻瘟病、纹枯病)的抗性筛选，以及野生稻其他优异性状(耐逆、优质等)的高通量鉴定。

4. 育种实验室的“标配工具”

低成本的硬件要求+开源的算法模型，使XooNet具备在育种实验室快速普及的潜力。未来，每个育种团队都可能拥有自己的“无人机筛选员”。

五、产业意义：给野生稻基因挖掘装上“加速器”

这项研究的深层价值在于打通了从“田间种质”到“抗性基因”的快速通道。野生稻中蕴藏着大量未被挖掘的优异基因，但传统方法效率低下，大量珍贵资源“沉睡”在种质库中。

XooNet通过自动化、高通量、低成本的技术方案，让大规模筛选成为可能。正如论文结论所言：“该方法将促进野生稻白叶枯病抗性种质的高通量筛选，从而加速珍贵野生稻遗传资源的发现与利用。”

来源：中国农业科学院国家南繁研究院、中国农业科学院农业信息研究所、中国水稻研究所、中国农业大学、江西农业科学院、国家农业科学数据中心、崖州湾国家实验室等；作者：Pan Pan, Wenlong Guo, Mingxia Li, Haochun Li, Jingxi Yang, Zhihao Guo, Huibo Zhao, Guoping Yu, Maomao Li, Long Yi, Xiaoming Zheng, Guomin Zhou, Jianhua Zhang 等；题目：XooNet: a high-throughput UAV-based approach for field screening of bacterial blight-resistant germplasm in wild rice(XooNet：基于无人机高通量筛选野生稻白叶枯病抗性种质的方法)；发表于：Frontiers in Plant Science（2026年2月20日）