基于机器视觉的香菇栽培棒褐变成熟度检测

《Frontiers in Plant Science》：Machine vision-based detection of browning maturity in shiitake cultivation sticks

棕变阶段检测与分割模型优化研究：提出两阶段深度学习框架，结合轻量级YOLOv11 contour提取与改进型RS-UNet区域分割，通过特征增强、混合卷积和空间注意力机制提升分割精度与计算效率，在1254张标注图像上验证模型mIoU达94.35%，FPS达35.7，参数减少36.31%，为香菇栽培智能化管理提供量化评估工具。

　　在现代农业智能化发展的背景下，精确监测食用菌培养棒在褐变阶段的色素变化对于评估培养基成熟度、预测菌菇生长以及提升培养质量具有重要意义。然而，当前市场上普遍采用的检测方法在评估褐变程度时缺乏客观、实时且可量化的评价指标，这在一定程度上制约了大规模工厂化生产与商业应用的标准化进程。为解决这一问题，本研究提出了一种基于深度学习的两阶段图像分割模型，旨在提升培养棒褐变区域的分割精度和检测效率，从而为精准种植和工厂管理提供技术支持。

本研究的主要目标包括：首先，开发一种轻量化的轮廓识别算法，以准确提取培养棒的轮廓并有效排除背景干扰；其次，由于培养棒表面的褐变区域难以通过传统手动标注方法快速高效地进行标记，因此提出一种基于传统机器学习的半自动标注方法，利用ImageJ插件模块进行标注；最后，构建一个基于改进U-Net框架的算法，用于对褐变区域进行精确分割，并计算褐变面积比例，从而实现对褐变程度的定量评估。该方法的实施为农业自动化检测提供了新的思路，并在提升检测效率的同时确保了分割结果的准确性。

当前农业智能研究多集中在环境控制与智能采收等领域，但在对培养过程的动态监测方面仍存在较大局限。培养棒的生理成熟是其生长过程中重要的生理指标，它涉及菌丝从营养生长向生殖生长的转变。这一过程主要包括菌丝生长、褐变以及原基分化三个阶段。其中，菌丝的褐变不仅是形成菌菇体的重要生理前提，还与产量和品质密切相关。然而，目前对褐变程度的评估主要依赖于人工主观视觉检查，缺乏客观、实时和定量的评估手段，这使得其难以满足大规模工厂化生产与商业运营的标准化要求。

为应对这一挑战，本研究提出了一种结合深度学习的混合检测模型，旨在提高培养棒褐变区域的分割精度和检测效率。通过引入轻量级的VG-Stick-YOLOv11模型，实现了对培养棒轮廓的快速提取，并生成感兴趣区域（ROI）的掩码。随后，利用机器学习方法对ROI区域进行半自动标注，构建高质量的分割数据集。最终，通过改进的RS-UNet模型对褐变区域进行精细分割，提取颜色和纹理特征，从而实现对褐变比例的定量分析。

在模型设计方面，VG-Stick-YOLOv11基于YOLOv11n-seg框架，结合VanillaNetBlock和GhostConv模块，用于实时轮廓提取和褐变阶段分类。YOLOv11属于单阶段目标检测框架，其分割扩展网络通常包括特征提取的主干网络、多尺度信息融合的特征融合层以及负责分类、定位和分割的检测层。其中，C3K模块集成了深度可分离卷积（DSC）和自注意力机制，相较于YOLOv8中的C2f模块，引入了跨阶段连接和轻量化注意力设计，从而提升了特征提取效果并减少了模型参数。检测头采用解耦设计，将分类和回归任务分开处理，去除了传统的对象分支，利用全卷积结构实现了无锚点目标定位和动态标签分配。同时，引入了实例分割模块，能够基于多尺度特征直接预测像素级的掩码。考虑到实际生产环境中对实时性和精确分割的需求，YOLOv11n-seg在准确性和效率之间提供了合适的平衡，因此被选为构建VG-Stick-YOLOv11模型的基线。

在ROI引导的半自动标注方法中，通过结合手动交互和机器学习分类，实现了对褐变区域的精准标记。具体来说，通过手动选择褐变与非褐变区域作为训练样本，构建一个二分类任务。随后，利用多尺度纹理、边缘和颜色特征进行训练，从而提升模型对褐变区域的分割能力。此外，通过引入空间自适应正则化策略，优化了模型的鲁棒性并防止过拟合，从而提升分割效果。该方法在保留人工监督的判别能力的同时，充分利用了机器学习模型的自动识别优势，实现了对褐变区域的高效标注。

RS-UNet模型在设计上融合了ResNet50与U-Net框架，通过多分支输入和堆叠小卷积核的方式增强了特征提取能力，从而有效提升网络的表达深度。在解码器部分，引入了混合卷积结构，结合分组卷积和深度可分离卷积，以实现高效的通道融合和细节保留。同时，在跳连中嵌入了空间注意力（SA）模块，通过动态聚焦于菌丝色素沉积区域，增强了模型对边界和分割精度的敏感度。这一改进方法在实际应用中展现了良好的性能，特别是在处理复杂表面纹理和不规则形态的褐变区域时，能够有效识别边界细节，提高分割的准确性。

在实验数据方面，本研究的数据采集工作从2025年3月5日至6月16日进行，覆盖了食用菌培养棒在褐变阶段的完整图像信息。采集过程中，采用独立构建的图像采集设备，包括双LED光源、高分辨率工业相机和联想Xiaoxin Air14笔记本电脑。为了增强数据的多样性，对原始图像进行了旋转、翻转、颜色扰动等多种增强处理，生成了2508个增强样本，总样本数达到3762个。这些数据涵盖了培养棒在不同阶段的褐变情况，为模型训练提供了丰富的数据支持。

在模型评估方面，本研究采用了一系列评价指标，包括模型效率和预测精度。其中，针对目标检测任务，采用了Box Precision（BP）作为评估指标，通过计算预测框与真实框的交并比（IoU）来衡量模型的准确性。对于分割任务，则引入了Mask Precision、Recall以及IoU等指标，用于评估分割结果的精确度和覆盖范围。此外，模型效率还通过参数数量（Params）、计算成本（GFLOPs）、模型体积（MB）以及推理速度（FPS）等指标进行综合评估，以确保模型在实际生产环境中的适用性。

在实验结果方面，VG-Stick-YOLOv11模型在培养棒轮廓提取任务中取得了最高的mIoU（95.80%），同时显著减少了参数和计算量。在褐变区域分割任务中，RS-UNet模型表现出更高的分割准确率（94.35%）和IoU（88.56%），优于Deeplabv3+和Swin-UNet等对比模型。此外，RS-UNet相比ResNet50-U-Net基线模型，参数数量减少了36.31%，表明其在保持高精度的同时，也具备较好的计算效率。

在实验分析中，通过对比不同背景色和光照条件下的分割效果，发现绿色背景在低曝光条件下更有利于提高分割的鲁棒性，而红色背景则可能导致较高的误检率。这表明，在实际应用中，合理选择背景色和光照条件对模型性能具有重要影响。此外，RS-UNet模型在低曝光条件下表现出更强的分割能力，能够更准确地识别中度褐变区域的边界细节，从而提升分割的精确度。

本研究提出的两阶段模型不仅在提高分割精度和检测效率方面表现出色，还为食用菌培养棒的标准化生产提供了有效的技术支持。通过引入轻量化设计和空间注意力机制，模型在复杂背景下的鲁棒性得到增强，同时保留了对细节的识别能力。这一成果不仅提升了褐变区域的分割效果，还为未来在多视角图像采集和三维重建方面的研究奠定了基础。未来的工作将进一步优化数据采集方法，引入多视角图像采集系统和三维重建算法，以实现对培养棒整体褐变状态的全面评估，从而更好地满足大规模工厂化生产的实际需求。