基于卷积神经网络的生菜RGB图像无损表型分析研究

《Scientific Reports》：Varietal classification and morphological traits prediction of lettuce cultivar (Lactuca sativa L.) based on RGB-images and convolutional neural network

　　

摘要

本研究评估了五种卷积神经网络（CNN）架构，用于基于 RGB 图像的生菜（Lactuca sativa L.）无损表型分析。使用了一个包含代表四个品种共 388 株植物的数据集，用于预测叶面积（LA）、冠层直径（D）、鲜重（FW）和干重（DW），并对品种身份进行分类。图像在仅针对训练集进行数据增强之前被划分为训练集、验证集和测试集（70/15/15%）。输入表示消融实验比较了原始 RGB 图像、背景分割的 RGB 图像和二值冠层掩码。最佳回归结果分别由以下模型获得：使用原始 RGB 图像的 InceptionResNetV2 用于鲜重（R² = 0.935, RMSE = 30.65 g）和冠层直径（R² = 0.892, RMSE = 2.17 cm）；使用原始 RGB 图像的 SimpleCNN 用于干重（R² = 0.958, RMSE = 1.02 g）；以及使用分割后 RGB 图像的 InceptionResNetV2 用于叶面积（R² = 0.898, RMSE = 520.73 cm²）。不同架构的品种分类准确率范围在 96.55% 到 98.28% 之间。使用分割后 RGB 图像的五折品种分层交叉验证显示，各分区间的回归性能相对稳定。在相同的数据划分下，最佳 CNN 配置产生的 R² 数值高于基于特征工程的机器学习基线，尽管叶面积的差异很小。这些结果证明了图像表示的性状依赖性影响，并支持基于 RGB 的 CNN 作为生菜表型分析的实用方法。