基于实例分割方法评估宽叶蜀黍（Zizania latifolia）茎的形态质量

《Engineering Applications of Artificial Intelligence》：Assessing the morphological quality of Zizania latifolia shoot based on instance segmentation

水稻茎段分割与形态学评估方法研究

　　近年来，随着农业技术的发展，传统作物育种方法逐渐被更高效、智能化的技术所替代。在这一背景下，研究者们开始探索如何利用人工智能技术，特别是在图像识别和深度学习领域，来提升作物品种评估的效率和准确性。以**Zizania latifolia**（宽叶泽泻）为例，该植物因其感染**Ustilago esculenta**（一种黑粉菌）后形成的可食用部分——水竹笋（WBS）而受到关注。WBS不仅在营养价值上具有重要地位，还因其独特的外观和生长特性，成为育种过程中不可或缺的评估对象。

传统的品种评估主要依赖于人工测量和筛选，这种方法不仅耗费大量人力和时间，还容易受到主观因素的影响，导致评估结果不够客观。因此，研究者们尝试引入基于深度学习的图像分割技术，以实现对WBS形态特征的自动识别和量化分析。图像分割技术能够准确提取作物的各个部分，例如茎秆、叶片等，从而为后续的形态评估提供可靠的数据支持。在这一过程中，研究者们面临诸多挑战，例如WBS茎秆形状不规则、边缘模糊、内部区域相似等问题，使得传统的分割方法难以满足高精度的要求。

为了应对这些挑战，本文提出了一种基于YOLOv8的改进模型——YOLO-WEL。该模型在传统YOLOv8的基础上，引入了线性可变形卷积（LDConv）模块，使得模型能够通过可学习的偏移量调整采样区域的形状，从而更好地适应WBS茎秆的不规则形态。此外，YOLO-WEL还整合了高效的多尺度注意力（EMA）机制，用于提升多层级特征的融合能力，并增强对细节的处理能力。这种机制能够在不同尺度上提取关键信息，从而更准确地识别WBS的形态特征。为了进一步优化模型的性能，本文还采用了改进的交并比（WIoU v3）损失函数，该函数能够平衡高质量和低质量锚框的效果，从而提高整体的分割精度。

在实验过程中，研究团队使用了一套定制的图像采集系统，从2023年5月9日至6月6日，对65个WBS品种进行了数据收集。该系统采用LED灯带和反射板，确保图像在光照条件下的均匀性。相机设置在80厘米的高度，能够捕捉清晰的图像数据。通过这一系统，研究团队获取了大量高质量的RGB图像，为后续的模型训练和评估提供了坚实的基础。在实验设置方面，输入图像的大小被设定为1280×1280，训练过程进行了300个epoch，批次大小为16。模型采用了一种耐心参数为50的训练机制，如果在连续50个epoch内验证指标没有提升，训练将提前终止，以避免不必要的计算资源浪费。

在实验结果方面，YOLO-WEL在WBS数据集上的表现显著优于YOLOv8及其他先进模型，达到了95.3%的精度、93.9%的召回率以及97.7%的平均精度（mAP）。此外，该模型在MS COCO数据集上也取得了35.7%的mAP，显示出其在多目标分割任务中的良好适应性。通过这些分割结果，研究团队提取了多个表型参数，包括高度、宽度和二维面积等，这些参数被用于构建一个全面的形态质量评估框架。该框架参考了国家对WBS的分级标准以及专家在**Z. latifolia**育种方面的经验，使得评估更加科学和客观。

在评估过程中，研究团队确定了65个品种中形态质量表现优异的前10个个体，为**Z. latifolia**的育种提供了有力的支持。这一成果不仅有助于提高品种筛选的效率，还能够确保育种过程中对形态特征的准确评估，从而为后续的栽培和品种改良提供可靠的数据基础。此外，研究团队还注意到，目前针对WBS形态质量的综合评估框架仍较为缺乏，因此，本文提出的YOLO-WEL模型不仅在技术上有所创新，还在应用层面具有重要的现实意义。

从整体来看，本文的研究成果为农业智能化提供了新的思路。通过引入先进的图像分割技术，研究团队成功克服了传统方法在精度和效率上的不足，使得WBS的形态评估更加高效和准确。这一方法不仅适用于WBS，还可能推广到其他作物的形态评估任务中，为农业领域的智能化发展提供技术支持。此外，本文的研究还表明，深度学习技术在作物育种中的应用潜力巨大，尤其是在提高评估效率和减少人工干预方面。未来，随着技术的不断进步，人工智能在农业领域的应用将更加广泛，为作物育种、栽培管理和产量预测等提供更加智能化的解决方案。

在实际应用中，YOLO-WEL模型能够为育种工作者提供直观的数据支持，使得他们能够在短时间内完成对大量品种的形态评估。这一过程不仅提高了工作效率，还减少了人为误差，使得评估结果更加客观。此外，该模型的高精度表现也意味着，它能够更准确地识别出具有优良形态特征的个体，从而为后续的品种筛选和改良提供可靠依据。在这一过程中，研究团队还结合了专家经验，使得评估指标更加符合实际需求，为育种工作的科学性和系统性提供了保障。

从研究方法来看，本文不仅在模型设计上有所创新，还在实验设计和评估体系上进行了系统性的优化。通过引入LDConv和EMA模块，研究团队提升了模型对复杂形态特征的识别能力，使得分割结果更加精确。同时，采用WIoU v3损失函数，使得模型在处理不同质量的锚框时更加平衡，从而提高了整体的性能。这些技术的引入，使得YOLO-WEL模型在多个方面都优于传统模型，为WBS的形态评估提供了新的工具。

此外，本文的研究还具有一定的推广价值。在农业领域，许多作物的形态特征评估都面临类似的问题，例如边缘模糊、形状不规则等。因此，YOLO-WEL模型的开发不仅有助于解决WBS的评估问题，还可能为其他作物的形态评估提供参考。通过进一步优化模型的性能，研究团队有望将这一技术应用到更广泛的农业场景中，为作物育种和栽培管理提供更加智能化的支持。

从研究的局限性来看，尽管YOLO-WEL在WBS形态评估中取得了良好的效果，但该模型仍然存在一些需要改进的地方。例如，在处理大规模数据集时，模型的计算资源消耗较高，可能影响其在实际应用中的可行性。此外，模型的泛化能力仍有待提高，特别是在面对不同环境条件和不同品种的WBS时，需要进一步优化模型的适应性。因此，未来的研究可以集中在如何降低模型的计算成本，提高其在实际应用中的可行性，以及如何增强模型的泛化能力，使其能够适应更广泛的农业场景。

在结论部分，本文的研究成果表明，YOLO-WEL模型在WBS形态评估中具有显著的优势。通过引入先进的图像分割技术，研究团队成功提高了评估的效率和准确性，为**Z. latifolia**的育种提供了有力的支持。此外，该模型的开发也为农业智能化的发展提供了新的思路和技术手段。未来，随着人工智能技术的不断进步，这一方法有望在更多作物的形态评估任务中得到应用，为农业领域的智能化发展提供更广阔的空间。

总的来说，本文的研究不仅在技术层面有所突破，还在应用层面具有重要的现实意义。通过引入YOLO-WEL模型，研究团队成功解决了传统方法在WBS形态评估中的诸多问题，为农业智能化的发展提供了新的工具和方法。这一成果不仅有助于提高品种筛选的效率，还能够确保育种过程中对形态特征的准确评估，从而为后续的栽培和品种改良提供可靠依据。未来，随着技术的不断进步，人工智能在农业领域的应用将更加广泛，为作物育种、栽培管理和产量预测等提供更加智能化的解决方案。