编辑推荐：
传统草莓冠层大小估算方法存在诸多弊端，研究人员开展了将 Segment Anything Model（SAM）与 YOLOv11 检测集成估算草莓冠层大小的研究。结果显示，该方法提升了分割精度，且集成 Depth Anything v2（DAv2）可进行 3D 冠层体积估算，对精准农业意义重大。
在草莓种植的领域，准确估算草莓冠层大小对预测产量极为关键。以往，传统的估算方法就像是手工制作的旧工具，不仅耗费大量人力，而且估算结果常常不太准确。想象一下，农民们花费了大量时间和精力去测量冠层大小，却得到一个误差较大的数据，这对于安排种植计划、预估收成来说，简直是一场 “灾难”。随着全球对草莓需求的不断攀升，农民们迫切需要更高效、精准的方法来提升产量、减少浪费。同时，在复杂的农业环境中，光照条件多变、叶片相互遮挡、植物生长模式参差不齐，这些因素都像一道道难以跨越的沟壑，阻碍着传统估算方法发挥作用。正是在这样的困境下，开展这项研究变得刻不容缓。
美国佛罗里达大学 / IFAS 植物科学研究与教育单位（PSREU）的研究人员挺身而出，开展了一项极具创新性的研究。他们巧妙地将 Segment Anything Model（SAM，一种能够进行零样本分割的模型，即不需要大量标注数据就能对物体进行分割）与 YOLOv11（YOLO 系列的最新成果，在实时目标检测方面表现卓越）检测集成在一起，用于草莓冠层大小的估算。此外，还融入了 Depth Anything v2（DAv2）技术，实现了从 2D 分割到 3D 冠层体积的估算。研究结果令人振奋，该方法显著提高了分割精度，普通版本的方法交并比（Intersection over Union，IoU）达到了 0.913，优化后的方法更是高达 0.924。这一研究成果发表在《Computers and Electronics in Agriculture》上，为精准农业提供了切实可行且可扩展的解决方案，在农业领域意义非凡。
在研究过程中，研究人员运用了几个关键技术方法。首先，利用 RealSense 435i 相机在特定地点采集成像数据，为后续研究提供数据基础。接着，选用 YOLOv11 进行草莓植株和果实等的精准检测。然后，借助 SAM 的零样本分割能力，并通过创新的提示选择算法优化其分割效果。最后，集成 DAv2 实现从 2D 到 3D 的冠层体积估算。
下面来看看具体的研究结果：
- YOLOv11 模型的选择：研究对比了不同的 YOLO 模型，发现 YOLOv11 - m 在花卉 / 果实检测和植物 / 杂草检测任务中表现最为出色。在花卉 / 果实检测中，它的平均精度均值（mAP@50 - 95）达到 0.408 ，mAP@50达到 0.807，超越了其他模型。
- 提示选择算法的效果：提出了两种提示选择算法变体。普通（vanilla）方法利用 YOLOv11 的边界框检测结果和从果实检测输出中选择的点提示，提高了分割的特异性；优化（refined）方法进一步引入空心同心结构算法，从与果实检测和初步 SAM 掩码重叠的区域中选择背景点，减少了分割错误，提升了分割的可靠性。实验表明，普通方法的 IoU 为 0.913，优化方法的 IoU 为 0.924。
- DAv2 集成的成果：集成 DAv2 后，实现了从 2D 冠层大小估算到 3D 体积分析的转变。DAv2 不仅能提供准确的 3D 体积估算，还能全面分析植物健康状况和生产力。
在研究结论和讨论部分，这项研究成果的重要意义得以凸显。它成功克服了传统草莓冠层大小估算方法的局限性，大幅提高了估算精度。通过创新的技术集成，为精准农业提供了有力的技术支持。从实际应用角度来看，农民可以依据更准确的冠层大小估算结果，合理安排种植密度、施肥量和灌溉计划，从而提高草莓产量和质量，减少资源浪费。从学术研究角度而言，为后续在农业领域开展更深入的计算机视觉和机器学习研究开辟了新的道路，激励更多研究人员探索创新方法，推动精准农业不断向前发展。
