SeedRuler：基于深度学习和图像处理的新一代水稻种子萌发率精准评估网络平台

本刊推荐一篇创新性研究，作者团队开发了名为SeedRuler的网络平台，整合了传统图像处理（SeedRuler-IP）、深度学习目标检测（SeedRuler-YOLO基于YOLOv5）和交互式分割（SeedRuler-SAM基于Segment Anything Model）三种方法，实现了水稻种子萌发率的高通量、精准（mAP@0.5达0.955）且灵活（支持用户自定义萌发标准）的表型分析。该平台克服了传统人工计数和现有自动化方法在效率、准确性及适应性方面的局限，为种子遗传研究、育种和农业生产提供了高效工具。

　　

引言

种子在农业生产中扮演着不可或缺的角色，其萌发率是评估种子质量和性能的关键指标。传统基于人工目视检查的评估方法通常耗时耗力且易受主观性影响。现有的自动化方法虽然有所帮助，但通常存在局限性，例如萌发标准僵化、成像要求严格，以及难以处理水稻种子尺寸小、排列密集和胚根长度多变等问题。为了应对这些挑战，本研究开发了一个名为SeedRuler的多功能、基于网络的应用平台，旨在提高水稻种子萌发分析的准确性、效率和可用性。

材料与方法

研究所用水稻种子资源来源于上海师范大学（黄学辉团队）田间种植的籼稻和粳稻品种，表现出广泛的表型变异。在萌发实验中，每个水稻果穗随机选取30-60粒饱满种子置于培养皿中，添加适量蒸馏水后，于25°C恒温培养箱中进行暗培养。种子图像通过特制的图像采集盒获取，该采集盒内置光源和固定焦距的相机（分辨率1920×1080），确保了图像质量的一致性和优良性。

数据集包含1200张种子图像，总计44,660粒种子。每张图像包含约30-60粒种子，涵盖了不同大小、形状、颜色的种子，以及枝梗、碎叶、稻芒等杂质。技术人员使用LabelImg对每粒种子进行矩形框标注，定义其类别（萌发"yes"与未萌发"no"）。数据集按8:2比例随机划分为训练集（960张图像）和测试集（240张图像）。

SeedRuler平台整合了三种核心算法模块：

1. 1.
   SeedRuler-IP：基于传统图像处理流程，包括基于颜色的分割、形态学细化、种子计数和胚根识别。用户可通过图形滑块交互式设定萌发阈值（例如，基于胚根与种子面积比）。
2. 2.
   SeedRuler-YOLO：基于YOLOv5深度学习目标检测算法，定义了两种萌发标准：OG/UOG（胚根长度>1mm为萌发）和TG/UTG（胚根长度>2mm为萌发）。比较了YOLOv5s、YOLOv5m、YOLOv5l和YOLOv5x四个版本的性能。
3. 3.
   SeedRuler-SAM：结合SeedRuler-YOLO的检测能力和Segment Anything Model (SAM)的分割精度，允许用户交互式选择一个参考种子来定义萌发标准（基于胚根与种子面积比）。

平台采用Bootstrap和Layui前端框架，后端基于Spring、Spring MVC和MyBatis开发，数据库使用MySQL，并部署在配备Intel Xeon处理器和RTX 3060 GPU的Linux服务器上。同时提供基于PyQt5开发的离线软件包，支持Windows、macOS和Linux跨平台操作。平台功能包括图像批量上传/拍摄、三种算法分析、萌发率计算、结果导出（Excel格式）以及集成的种子尺寸自动测量功能。

结果

评估指标包括目标检测的平均精度均值（mAP@0.5, mAP@0.5:0.95）、平均绝对误差（MAE），以及分割任务的Dice系数、交并比（IoU）、像素精度（PA）和假阳性率（FPR）。

SeedRuler-IP在60张测试图像上评估，设定萌发标准（面积比）为0.4时，除5张图像绝对误差≥5%外，其余图像误差均低于4%，显示了其评估萌发率的准确性。

SeedRuler-YOLO在TG/UTG萌发标准下表现最佳。YOLOv5m模型在测试集上达到mAP@0.5为0.955，MAE为0.110，平均检测时间为每张图像8.6毫秒，在准确性和速度间取得了良好平衡。与OG/UOG标准相比，TG/UTG标准下所有模型的mAP提升（0.012-0.020），MAE降低（0.046-0.065），原因是2mm标准使萌发和未萌发种子的区分更明显。对不同水稻品种在不同萌发时间点（48小时、60小时、72小时）的测试表明，SeedRuler-YOLO预测萌发率的相对误差主要控制在±0.1以内，萌发/未萌发种子计数误差在0-2粒之间。

SeedRuler-SAM在100张测试图像上的分割性能评估中，Dice系数达0.942，IoU达0.841，PA达0.916，FPR仅为0.011，优于Mask-RCNN和UNet模型。使用三种不同胚根长度的参考标准对五张图像进行评估，SeedRuler-SAM估计的萌发种子数与真实值最大偏差仅为2个单位，证明了其高准确性和可靠性。

讨论

SeedRuler成功将深度学习和图像处理技术应用于种子表型分析，能够提供大量可靠数据，显著降低时间和人力成本，提高工作效率。研究揭示了影响模型性能的关键因素：图像质量（使用图像采集箱显著提升了模型指标）、萌发标准的选择（TG/UTG标准优于OG/UOG标准）以及种子表型多样性（平台能较好处理不同形状、颜色、杂质及不同程度萌发的种子）。

与现有工具SeedQuant的对比实验表明，SeedRuler-YOLO在10组测试图像上的平均绝对误差（0.040±0.037）显著低于SeedQuant（0.106±0.095），显示出更高的准确性和鲁棒性。平台在应对阴影、种子重叠、稻芒、长胚根、背景文字干扰、胚根与稻芒纠缠等复杂场景时也表现出较强的稳定性。

SeedRuler的三个模块各有特点：SeedRuler-IP基于图像处理，无需大量标注和训练，适合计算能力低或网络受限环境；SeedRuler-YOLO提供高速、高精度的检测，适合常规大规模分析；SeedRuler-SAM支持萌发标准的细粒度定制，适合需要特定表型需求的深入研究。平台支持在线和离线使用，具有用户友好的图形界面和批量处理能力，提升了可访问性和可用性。

局限性包括当前版本对高级算法参数（如YOLOv5模型设置、分割阈值）的调控有限，优先考虑易用性而非专家级定制；对非控制光照或复杂背景图像的分析性能可能下降；缺乏任务调度、队列管理等高级自动化功能。这些将在未来版本中加以改进。未来计划整合检测水稻种子结实率和垩白度等功能。

结论

SeedRuler是一个集成了深度学习与经典图像处理技术的网络平台，用于水稻种子萌发率的高通量表型分析。其核心优势在于高准确性（SeedRuler-YOLO的mAP@0.5达0.955）、高效率（单图分析<30秒）、灵活性（支持自定义萌发标准）和用户友好性（在线/离线跨平台使用）。平台克服了现有方法的多个关键限制，为水稻种子遗传研究、育种筛选和农业生产提供了可靠、高效的分析工具，代表了种子表型分析技术的重要进展。未来的功能扩展和性能优化将进一步提升其应用价值。