基于深度学习的番茄水分胁迫表型特征提取与智能灌溉决策系统研究

本文创新性地将改进版YOLOv11n模型（集成AKConv卷积和Recalibration FPN-P2345检测头）应用于番茄水分胁迫表型分析，通过多尺度特征融合技术实现植株高度、叶柄数等关键表型参数的自动化提取（平均相对误差6.9%-10.12%），结合随机森林（RF）分类器构建的加权表型特征模型达到98%的胁迫分级准确率，为精准灌溉提供新型技术方案。

　　

引言：成像技术进步推动植物表型研究革新

随着多模态成像技术的突破，植物表型信息获取效率产生质的飞跃。深度学习与计算机视觉的融合为作物结构识别开辟新路径，特别是在水分胁迫监测领域展现出独特优势。传统基于土壤湿度或气象数据的灌溉策略存在明显局限：易受盐度、根系分布等因素干扰，且难以捕捉作物动态生理需求。番茄作为典型胁迫敏感作物，其株高、叶柄等结构特征对水分变化呈现规律性响应，这为开发新型表型监测技术提供生物学基础。

材料与方法：创新模型架构与表型计算体系

实验在35°09′N的中国农科院新乡基地开展，设置CK（90-100%田间持水量）、W1（70-80%）、W2（50-60%）三组水分处理。数据采集采用iPhone 13双摄系统，建立包含1623张标注图像的数据集（叶、株高、叶柄三类标注）。

核心技术突破体现在：

1. 1.

   模型优化：在YOLOv11n骨架网络中植入C3k2_AKConv模块，通过动态核卷积（公式1）提升小目标检测能力；引入局部窗口注意力（LWA）和双级路由注意力（BRA）机制（公式2-3），增强特征建模能力。

2. 2.

   检测头创新：设计基于P2层的重校准特征金字塔（Recalibration FPN-P2345），将特征融合尺度扩展至P2-P5，较传统P3-P5结构mAP50提升2.7%。

3. 3.

   参数计算：开发基于检测框几何关系的自动化算法，通过校准板实现像素-物理尺寸转换（公式9-10），株高测量相对误差控制在6.9%。

结果：多维度验证模型优越性

性能测试显示改进模型全面超越基准：

• •

  检测指标：召回率提升4.1%，mAP₅₀-95达到0.679

• •

  计算精度：叶柄计数误差10.12%，显著优于人工测量

• •

  资源效率：仅14.7 GFLOPs计算量，适合边缘部署

混淆矩阵分析揭示：株高识别准确率98%，叶与叶柄存在11%误判主要源于形态重叠。可视化检测样本显示，模型能准确捕捉W2组植株的叶柄角度变化和叶片皱缩特征。

讨论：表型特征与胁迫响应的深度关联

统计检验证实水分处理对表型参数影响显著（p<1.23×10^-8）：

• •

  株高呈现梯度下降：CK→W2降低23.6%

• •

  叶柄数变异系数达35.7%

  效应量分析（Cohen's d>0.8）表明这些特征可作为敏感胁迫指标。通过构建加权表型特征（株高×0.3+叶柄数×0.7），随机森林分类准确率最高（98%），显著优于SVM（89%）等模型。

结论与展望：开启智慧农业新范式

本研究建立的"检测-计算-决策"技术链，实现了三大创新：

1. 1.

   轻量化模型：参数量减少40%的同时维持高精度

2. 2.

   自动化流程：单图像可同步获取5类表型参数

3. 3.

   可解释性：表型特征权重量化胁迫响应强度

   未来可通过引入光合参数等生理指标，发展多模态融合模型。该框架已展示出在黄瓜、葡萄等作物的迁移潜力，为构建闭环智能灌溉系统奠定技术基础。