基于MVDNet双分支网络与后处理算法的葡萄果穗精准计粒方法及其在疏果指导中的应用

《Frontiers in Plant Science》:A precise berry counting method for in-cluster grapes to guide berry thinning

【字体: 大 中 小 】 时间:2026年01月09日 来源:Frontiers in Plant Science 4.8

编辑推荐:

  本文提出了一种创新的葡萄果穗精准计粒方法,通过MVDNet双分支网络(同时进行浆果密度图回归和果穗分割)结合后处理算法,实现了对复杂自然环境下果穗内浆果的自动化精准计数。该方法在测试集上取得了优异的性能(MAE=7.7, RMSE=12.6, MIoU=0.90),模型参数量仅3.372M,兼具高精度与低计算开销,为精准葡萄园管理(如指导疏果)提供了高效可靠的视觉智能解决方案(R2=0.886)。

  
引言
在鲜食葡萄生产中,疏果是一项至关重要的管理措施,其效果很大程度上依赖于对果穗初始浆果数量的准确评估。传统人工计数方法劳动强度大、效率低且易出错。计算机视觉技术为应对这一挑战提供了快速、无损且精确的解决方案。现有浆果计数方法可分为浆果级和果穗级。浆果级计数技术相对成熟,而果穗级计数研究较少且技术挑战更大,需要准确识别图像中浆果的同时,精确统计每个果穗所含浆果总数。针对现有技术在特征表示、遮挡处理等方面的局限,本研究提出了一种结合双分支网络和后处理算法的精准计粒方法。
材料与方法
数据集构建于2021年5月在山东泰安山东农业大学园艺试验站进行,采集了‘阳光玫瑰’葡萄在自然环境下疏果期的图像,共计779张(训练集545张,验证集155张,测试集79张)。图像缩放至1024×1365分辨率,并使用Labelme工具进行标注:浆果以点标注,果穗以多边形勾勒。密度图通过标注点图与高斯核卷积在线生成。
方法概述
该方法核心包括名为MVDNet的双分支网络和一个后处理算法。MVDNet采用编码器-解码器架构,前端进行特征提取和下采样,后端通过上采样和跳跃连接恢复空间信息,并分为密度图回归分支和果穗分割分支。后处理算法则对分割结果进行实例级分离和定位,并在每个分割区域内积分密度图,实现单穗浆果计数。
MVDNet结构
MVDNet前端采用基于Universal Inverted Bottleneck (UIB)模块的层级特征金字塔进行特征提取。后端通过对称的上采样路径和特征融合逐步恢复细节。该网络集成了参数免费的SimAM注意力机制,通过能量函数评估神经元线性可分性,自适应增强显著特征。此外,采用多尺度特征融合策略,整合不同层次的特征,提升模型对不同大小浆果和遮挡的鲁棒性。模型总损失为密度图损失(MSE损失)和分割损失(二元交叉熵损失与Dice损失的加权和)的加权组合。
基于后处理的单穗浆果计数
后处理流程包括:对分割图进行二值化和形态学操作(闭运算和开运算)以去噪补洞;轮廓提取与面积过滤;计算每个保留轮廓的质心;使用DBSCAN算法基于欧氏距离对质心进行聚类,以区分不同果穗实例;最后,在每个聚类实例掩膜区域内积分密度图,得到该果穗的浆果数量估计。
实验结果与分析
实验在配置了NVIDIA GeForce RTX 3090 GPU的服务器上进行。模型训练300个epoch,使用Adam优化器。评估指标包括平均绝对误差(MAE)、均方根误差(RMSE)和平均交并比(MIoU)。
消融实验表明,逐步加入后端、多尺度特征融合和SimAM注意力模块,模型性能持续提升,最终MVDNet在测试集上达到MAE 7.7,RMSE 12.6,MIoU 0.90。
不同注意力机制对比显示,SimAM在取得最佳性能的同时,参数量仅为3.372M,体现了其高效性。
与MCNN、CSRNet、CANNet、SCAR等模型的对比实验中,MVDNet在密度图回归和分割任务上均表现最优,且参数量远低于对比模型。可视化结果进一步证实MVDNet能更精确地定位浆果并生成边界清晰的分割掩膜。
单任务与双任务模型对比表明,所提出的双任务架构在保持各任务独立性能的同时,实现了并行多任务学习。
DBSCAN参数敏感性分析确定minPts=1时实例分割效果最佳。
对单穗浆果计数的回归分析显示,预测值与真实值之间存在强线性关系,决定系数R2达到0.886。预测误差分布均值为-0.83,标准差为12.00,表明方法略低估但总体可靠。
讨论
与近期其他果穗级计数方法相比,本研究方法在有限数据集和较大图像尺寸下取得了有竞争力的性能。MVDNet的双分支设计、多尺度特征融合和高效注意力机制使其在精度、效率和鲁棒性间取得了良好平衡。模型低参数量使其适合在资源受限的边缘设备上部署。方法的局限性包括在果穗极其密集粘连时分割和计数精度可能下降,以及模型在更广泛品种、栽培体系和光照条件下的泛化能力有待进一步验证。未来工作将集中于提升模型对密集和遮挡情况的鲁棒性、构建更大规模多样化数据集、研究领域自适应技术以及开发更轻量模型用于移动端部署。
结论
本研究提出了一种精准的果穗内葡萄浆果计数方法,用于指导疏果作业。该方法核心是MVDNet双分支网络和后续后处理算法。MVDNet集成了UIB前端、多尺度特征融合和SimAM注意力机制,实现了高精度的浆果密度图回归和果穗分割。实验证明MVDNet在测试集上取得了MAE 7.7、RMSE 12.6、MIoU 0.90的优异性能,且仅含3.372M参数,计算效率高。基于MVDNet输出的后处理算法实现了单穗浆果计数,R2达0.886。该方法为葡萄园精准管理提供了一个准确、高效且实用的自动化工具。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号