一种蔬菜新品种DUS/VCU多模态评价系统

本发明属于植物新品种测试、种业检测、植物表型组学、农业人工智能和作物栽培价值评价，具体涉及一种蔬菜新品种dus/vcu多模态评价系统。其中，dus为distinctness, uniformity and stability，中文含义为特异性、一致性和稳定性；vcu为value for cultivation and use，中文含义为栽培和利用价值。

背景技术：

1、蔬菜新品种在授权、登记、审定和推广应用前，需要对特异性、一致性和稳定性进行测试，并结合栽培利用价值对产量、品质、抗性、适应性和商品性等表现进行评价。现有dus测试通常依据作物测试指南，由技术人员在规定生育期对植株、叶片、花、果实、豆荚、鳞茎等器官进行观察和记录；vcu测试则需要在多地点、多年度条件下持续采集田间表现。

2、上述流程在实际执行中仍高度依赖人工调查。不同作物的采集时期、采集器官、性状等级和判定尺度差异较大，同一性状在不同年度、地点、设备和观察者之间容易产生记录偏差。随着候选品种数量增加和参考品种库扩大，近似品种筛选、差异性状定位和跨环境一致性复核的工作量显著提高。

3、已有机器视觉、无人机遥感、三维表型、光谱检测和分子标记技术可用于作物性状测量或品种辅助分析，但多数方法停留在单一器官识别、单一图像指标测量或单一作物场景分类，未能将测试指南中的标准性状规则、采集任务、证据图像、参考品种库、算法版本和判定结论组织为可追溯的业务闭环。

4、因此，本发明提供一种能够在多种蔬菜作物之间复用的智能评价系统，将dus/vcu标准规则转化为可计算任务，并将表型图像、深度数据、光谱数据、环境信息和基因型信息用于近似品种检索、dus辅助判定和vcu表现预测，从而提高测试效率、客观性和结果一致性。

技术实现思路

1、为解决传统dus/vcu测试依赖人工观察、周期长、主观性强和跨年度一致性不足；不同蔬菜作物性状规则、采集部位和采集时期差异大，难以形成统一智能测试流程；候选品种与近似参考品种筛选主要依赖专家经验、难以充分调用历史样品库和标准品种库；vcu评价中产量、品质、抗性、适应性和商品性受环境影响明显，单一指标难以稳定评价的问题。本发明提供一种蔬菜新品种dus/vcu多模态评价系统。

2、本发明多模态评价系统将测试指南中的性状条款、采集对象、算法特征和判定阈值映射为机器可执行任务，并将结果回写到候选品种测试证据链中。本发明的核心在于以标准性状字典驱动采集任务和判定流程，将不同作物的性状条款、采集对象、质量控制、算法特征、近似品种检索和报告字段组织为同一闭环。

3、系统面向番茄、黄瓜、甘蓝、菜豆、豇豆、洋葱等蔬菜作物设置作物适配器。每一适配器包括采集时期、器官类别、性状等级换算规则、质量控制阈值、复核触发条件和模型参数，使同一系统能够在不同作物之间复用采集和判定框架。

4、本技术实施例提供一种蔬菜新品种dus/vcu多模态评价系统，包括如下模块：

5、规则配置模块：用于构建标准性状字典。

6、任务生成模块：基于标准性状字典自动生成采集任务及编号。

7、数据治理模块：对采集得到的数据进行处理，输出质量控制结果、器官类别、器官掩膜和标准化性状特征。

8、近似品种检索模块：用于在参考品种库进行检索，得到近似品种清单。

9、dus辅助判定模块：基于近似品种清单分别计算特异性、一致性和稳定性辅助指标，得到差异性状清单。

10、vcu预测模块：基于vcu多任务模型得到的vcu综合评分。

11、报告复核模块：用于生成标准化报告，报告中包含原始数据、采集任务编号、采集时间、表型图像、近似品种清单、差异性状清单和vcu综合评分。

12、在一种可能的实施方式中，规则配置模块具体实现如下：构建标准性状字典，将作物代码、性状代码、性状名称、性状类型、采集器官、生育时期、采集结果类型、算法特征、等级换算规则和复核规则关联存储在所述标准性状字典中。

13、在一种可能的实施方式中，任务生成模块具体实现如下：根据作物代码、试验编号、候选品种、试验小区和当前生育期，从标准性状字典中读取应采集的器官、角度、数量、质量要求和数据类型，自动生成采集任务及编号；基于生成的采集任务获得相应的原始数据，包括表型图像、深度数据、光谱数据、环境序列特征和田间产量品质记录。

14、在一种可能的实施方式中，数据治理模块具体实现如下：对采集得到的表型图像、深度数据和光谱数据进行清晰度、曝光、色彩、尺度和背景质量控制；质量控制合格后，依次进行器官检测、器官分割和性状提取，输出质量控制结果、器官类别、器官掩膜和标准化性状特征，所述标准化性状特征包括图像性状、深度性状和光谱特征。

15、在一种可能的实施方式中，近似品种检索模块具体实现如下：将人工记录性状、标准化性状特征、环境序列特征、外部基因型检测结果以及田间产量品质记录构建为多模态向量；在参考品种库中按向量相似度检索前k个近似品种，并依据测试指南关键性状、商业易混淆程度和亲缘关系进行重排序，得到近似品种清单。

16、其中，人工性状来自测试人员按照记录的性状等级；外部基因型检测结果来自候选品种样本的分子检测或已建立数据库。

17、在一种可能的实施方式中，vcu预测模块具体实现如下：将标准化性状特征、环境序列特征、外部基因型检测结果以及田间产量品质记录输入vcu多任务模型；所述vcu多任务模型包括表型图像编码器、环境序列编码器、基因型编码器和跨模态融合输出层，并输出综合产量评分、品质评分、抗性评分、稳定性评分和商品性评分得到的vcu综合评分。

18、在一种可能的实施方式中，所述表型图像编码器以标准化性状特征和田间产量品质记录为输入，包括图像子分支、标准化性状数值子分支和分支融合单元。

19、所述图像子分支采用cnn视觉编码器，包括：

20、基础骨干：采用轻量化resnet或convnext。

21、特征提取层：由卷积块、bn和gap全局平均池化组成，输出单张图像高维视觉嵌入向量。

22、图像特征投影层：采用全连接fc层，将视觉特征映射至统一隐空间维度d得到图像嵌入。

23、所述标准化性状数值子分支采用tabular数值编码器，对于离散定性性状，采用embedding嵌入层；对于连续定量性状，采用归一化层和多层感知机mlp；最终通过数值特征融合fc层输出维度d的标准化数值性状嵌入。

24、所述分支融合单元：用于对图像嵌入和标准化数值性状嵌入逐元素相加后经归一化，得到统一表型隐向量，作为表型图像编码器的最终输出。

25、在一种可能的实施方式中，环境序列编码器采用环境序列特征作为输入，依次通过序列预处理层、时序主干层、序列全局聚合层和维度对齐fc层进行处理。

26、序列预处理层：包括缺失值填充、标准化，一维卷积短时局部特征提取。

27、时序主干层：采用双向lstm，通过多头自注意力捕捉不同生育期、不同试点间环境互作；通过位置编码区分播种、灌浆、收获等生育时序节点。

28、序列全局聚合层：通过时间维度全局平均池化，压缩整条环境时序为固定长度向量。

29、维度对齐fc层：将序列全局聚合层输出的固定长度向量映射至隐空间维度d，输出环境隐向量。

30、在一种可能的实施方式中，所述基因型编码器采用外部基因型检测结果作为输入，依次通过位点嵌入层、基因型全局建模层、全基因组聚合层和维度对齐fc层进行处理。

31、位点嵌入层：每个基因型位点独立embedding，将离散基因型编码为低维位点向量。

32、基因型全局建模层：采用一维卷积conv1d捕捉相邻标记连锁不平衡特征。

33、全基因组聚合层：全局池化整合全部位点遗传信息。

34、维度对齐fc层：将全基因组聚合层的输出映射至隐空间维度d，输出与其他分支同维度的基因型隐向量。

35、在一种可能的实施方式中，所述跨模态融合输出层接收三个编码器的输出向量，通过跨模态融合单元和多任务预测头分支获取产量、品质、抗性、稳定性和商品性5项分项评分，最终通过vcu综合评分计算模块进行加权聚合，输出最终vcu综合评分。

36、所述跨模态融合单元采用跨模态交叉注意力融合，输出交互融合特征。

37、所述多任务预测头包括5个独立并行回归预测头，每个预测头结构统一，均由fc隐藏层、relu激活、dropout正则和输出sigmoid组成，分别输出单项标准化评分。

38、本发明有益效果如下：

39、（1）本发明通过标准性状字典和作物适配器，使多种蔬菜作物的dus/vcu测试流程能够统一配置、自动生成和复用。

40、（2）本发明通过多模态采集与数据治理，将品种、小区、植株、器官、图像、性状、模型版本和报告形成可追溯链条。

41、（3）本发明通过近似品种向量检索和关键性状重排序，提高参考品种筛选效率并降低近似品种遗漏风险。

42、（4）本发明通过dus多任务辅助判定和vcu多环境预测，提升测试结论的一致性、解释性和复核效率。