基于Segment Anything Model的农田地块自动提取框架：推动高通量表型分析的技术突破

本研究针对农业表型分析中人工数字化地块边界效率低下的问题，开发了基于Segment Anything Model（SAM）的自动化地块提取框架。通过零样本分割技术，该框架在五个数据集上实现了平均F1分数89.54%的像素级评估精度，并证明其提取的地块比人工标注数据更能可靠反映植被覆盖特征（Canopeo覆盖率回归分析R2=0.96）。该成果为精准农业中的高通量表型（HTP）分析提供了高效可扩展的解决方案。

　　

在农业研究领域，田间试验地块的精准划分是作物表型分析的基础，但传统人工数字化方法存在效率低下、一致性差等瓶颈。随着无人机（UAV）遥感技术的普及，如何从海量影像中自动提取标准化地块边界，成为推动高通量表型（High-Throughput Phenotyping, HTP）发展的关键挑战。现有方法往往受限于作物生长阶段、地块布局规则性等因素，而Meta AI团队发布的Segment Anything Model（SAM）凭借卓越的零样本泛化能力，为这一难题提供了新思路。

美国普渡大学和田纳西州立大学的研究团队开发了基于SAM的自动化地块提取框架，通过创新性整合图像分割、方向估计和网格优化三大模块，在五个不同地理环境的小麦试验田数据集上验证了其鲁棒性。该成果发表于《Precision Agriculture》，显示其多边形提取精度在IoU=50%时达99.71%，显著提升了表型数据采集效率。

研究方法上，团队首先利用SAM的自动掩膜生成功能（参数：points_per_side=100，稳定性得分阈值0.92），通过Hough变换估计地块种植方向并进行图像旋转校正。随后采用基于Canopeo（一种RGB植被指数）覆盖率的网格填充与剔除算法，通过k-d树加速近邻搜索，最终生成标准化地块多边形。所有实验均在NVIDIA RTX 4090 GPU平台完成，平均处理单地块耗时0.15秒。

在"SAM分割与掩膜过滤"部分，研究证实无需微调预训练ViT-H模型即可获得高质量初始分割，但需根据预设地块尺寸（如1.2m×3.3m）过滤异常掩膜。图3显示，即使Canopeo无法识别的区域（如Dataset W-III），SAM仍能准确分割地块轮廓，凸显其零样本优势。

"地块方向估计与图像旋转"环节解决了非正交布局的挑战。通过边缘检测和Hough变换，系统成功校正了最高达25°的倾斜地块（Dataset W-V），旋转后分割质量显著提升。该过程迭代至角度收敛为0°或90°，确保后续网格处理的准确性。

"地块生成与精修"阶段通过双重优化保证结果可靠性：网格填充算法以1m为距离阈值（T_d1）补充遗漏地块，网格剔除则基于Canopeo覆盖率（公式1）消除重复多边形。图7展示该过程能有效处理密集种植区域，其中Dataset W-I的填补准确率达93.5%。

性能评估显示，该方法在像素级IoU平均达81.71%，其中严格对齐的Dataset W-IV达90.19%。值得注意的是，尽管Dataset W-III因人工标注偏差导致像素级F1分数仅79.38%，但其多边形级召回率仍达98.75%。Canopeo回归分析（图11）进一步揭示，框架提取的地块植被覆盖估计比人工标注更精确（斜率=1.02，R²=0.96），这对表型-基因型关联研究具有重要意义。

研究结论指出，该框架首次实现了无需训练数据的全自动地块提取，为精准农业提供了可扩展的技术方案。讨论部分强调其三大创新：仅需RGB影像的普适性、超越人工标注的植被覆盖量化能力、以及处理非理想田间条件（如作物倒伏）的鲁棒性。未来工作将扩展至不规则地块结构和多作物类型，并通过算法优化降低对GPU算力的依赖。这项突破不仅加速了HTP技术落地，也为遥感与计算机视觉在农业中的融合应用树立了新范式。