基于YOLOv8-BiFPN与调整发芽指数（AGI）的臭氧处理微藻种子实时监测新方法

《Computers and Electronics in Agriculture》：YOLOv8-BiFPN and adjusted germination index for real-time monitoring of ozone-treated microgreen seeds

本研究创新性地将YOLOv8-BiFPN深度学习模型与调整发芽指数（AGI）相结合，建立了臭氧处理微藻种子的实时监测框架。该框架在48小时监测中实现0.86的mAP50-95精度，成功量化了臭氧剂量（96-100 min·mg·m?3与224-232 min·mg·m?3）对西兰花种子发芽效率的促进（提升29%）与抑制效应。AGI有效标准化了播种密度变异，为精准农业提供了资源高效的解决方案。

　　

Highlight

模型性能与选择

本研究证明了YOLOv8-BiFPN模型在高密度条件下实时监测种子发芽的卓越性能。我们的模型达到了0.86的平均精度（mAP50-95），显著优于基准YOLOv5模型（mAP 0.35），同时保持了极高的效率，模型大小仅为4.1 MB，推理时间为3.3毫秒。定性分析进一步强化了这一量化性能，直观地证实了该模型在区分重叠种子和复杂背景方面优于传统方法。

结论

本研究得出结论，将人工智能驱动的监测与物理种子处理相结合的集成框架，为推进可持续微藻生产提供了强大的解决方案。我们成功开发并验证了一种稳健的方法，其中定制构建的生长室和高性能的YOLOv8-BiFPN模型实现了0.86的平均精度（mAP50–95），用于实时发芽追踪。

这种高精度监测对于揭示臭氧处理对红卷心菜和西兰花种子发芽的细微、剂量依赖性效应至关重要。低剂量臭氧（96–100 min·mg·m^?3）将西兰花发芽效率提高了29%，而高剂量（224–232 min·mg·m^?3）则显示出抑制作用。调整发芽指数（AGI）被证明能有效标准化播种密度变化，从而能够对不同处理进行更公平的比较。

总之，该框架代表了精准农业在资源受限环境下的重大进步。它提供了一种资源高效、可扩展且非破坏性的方法来评估可持续种子清洁技术，为优化微藻生产系统和加强全球粮食安全工作开辟了新途径。