基于深度学习的暗褐小奥德蘑（Oudemansiella raphanipes）DUS测试表型参数精准提取

《Journal of Fungi》：Accurate Extraction of Phenotypic Parameters for DUS Testing of Oudemansiella raphanipes Based on Deep Learning

　　

为实现食用菌品种特异性、一致性和稳定性（distinctness, uniformity, and stability, DUS）测试中表型参数的快速、准确获取，并克服传统人工测量方法效率低、主观性强、标准化程度不足等问题，研究人员以暗褐小奥德蘑（Oudemansiella raphanipes）子实体为研究对象，提出了一种基于深度学习实例分割的表型参数自动提取方法。研究人员构建了一个包含473幅暗褐小奥德蘑图像和1419个标注对象的实例分割数据集，并通过引入轻量级特征提取网络StarNet_s050对YOLOv11s-seg模型进行改进，构建了YOLOv11s-star-seg模型，以提高模型推理效率并满足实际应用需求。在标准化成像条件下，研究人员从实例分割结果中获取菌盖和菌柄区域，结合图像尺度标定，自动提取菌盖直径、菌盖菌肉厚度、菌柄长度和菌柄直径等DUS表型参数，并对菌柄形态进行定量描述。实验结果表明，YOLOv11s-star-seg模型在暗褐小奥德蘑实例分割中表现良好，mAP50达到99.1%，F1值为98.9%，平均交并比（mIoU）为97.86%；与YOLOv11s-seg模型相比，参数量减少39%，推理时间缩短27%，在保持较高分割精度的同时实现了模型轻量化。自动提取结果与人工测量结果具有高度一致性；菌柄长度、菌柄直径和菌盖直径的线性回归拟合决定系数（R²）均超过0.96，表明该方法可有效替代部分人工测量流程。研究结果可为暗褐小奥德蘑DUS测试数字化、食用菌智能化育种和表型精准鉴定提供技术支撑。

暗褐小奥德蘑（Oudemansiella raphanipes）是我国市场常称“黑皮鸡枞”的珍稀食药用菌。食用菌作为兼具营养和经济价值的重要农产品，其表型参数测量、生长状态监测、质量分级和种类识别是高效育种、工业化生产和自动化采收的重要技术支撑。传统人工表型测量存在劳动强度大、耗时费力、主观性强、标准不一致等缺点，难以满足现代生产需求。计算机视觉技术已在香菇、双孢蘑菇、金针菇、小平菇等物种中形成表型提取、生长状态识别、质量分级和分类鉴定等多个应用方向，但多数研究仍处于探索阶段，且因物种差异尚无统一算法。针对暗褐小奥德蘑DUS测试的农业行业标准NY/T 3715—2020数字化需求，研究人员提出了一种基于深度学习实例分割的表型参数自动提取方法，以解决小伞状食用菌DUS测试中人工测量效率低、随机性大、可重复性不足的问题。

研究人员构建了包含473幅图像、1419个标注对象的实例分割数据集，通过引入轻量级特征提取网络StarNet_s050对YOLOv11s-seg模型进行改进，构建了YOLOv11s-star-seg模型；在标准化成像条件下，从分割结果中获取菌盖和菌柄区域，结合图像尺度标定自动提取菌盖直径、菌盖菌肉厚度、菌柄长度和菌柄直径等4项DUS指标，并对菌柄形态进行定量描述。实验表明，该模型在保持高分割精度的同时显著降低了参数量和推理时间；自动测量与人工测量高度一致，可替代部分人工流程，为DUS测试数字化、智能化育种和表型精准鉴定提供了技术支撑。

主要关键技术方法：样本来自山东世纪智慧农业科技有限公司7个材料（编号501、504、519、525、527、528、531），同一栽培条件下多批成熟期取样，排除机械损伤或畸形个体，共获得473幅图像。使用自研标准化表型成像箱（约6500 K LED光源、绿色背景、标准色卡、几何标定网格、工业相机定距定焦）采集5472×3648像素图像，用LabelMe逐像素标注1419个菌体对象。以StarNet_s050替换YOLOv11s-seg骨干构建YOLOv11s-star-seg，基于PyTorch和SGD优化器、输入1600×1600像素、训练300轮、不使用预训练权重；按材料ID分层划分为训练331幅、验证94幅、测试48幅。利用分割掩膜恢复至原始分辨率，结合0.00775 mm/pixel标定系数提取4项指标，并按纵向四分位宽度比值定量分类菌柄形态。

4.1 模型改进效果验证：YOLOv11s-star-seg在测试集上取得精确率98.6%、召回率99.3%、mAP50 99.1%、F1值98.9%、mIoU 97.86%。与YOLOv11s-seg相比，推理时间由19.6 ms降至14.3 ms，减少约27%；参数量由10.08 M降至6.11 M，减少39.4%。说明采用深度可分离卷积和通道混洗的StarNet_s050在降低计算量的同时，仍保留了对菌柄轮廓、菌盖边缘等关键特征的提取能力。

4.2 自动提取值与人工测量值的比较：研究人员对自动提取值与人工测量值进行了线性回归分析和Bland-Altman一致性分析。菌柄长度和菌盖直径的R²均为0.98，菌柄直径为0.96，Lin's一致性相关系数（CCC）较高，均方根误差（RMSE）较小；菌盖菌肉厚度的R²为0.742，CCC为0.834，偏差相对较大。Bland-Altman分析显示各性状偏倚均接近零，绝大多数测量点位于95%一致性界限内，说明两种测量方法无明显系统偏差。

4.3 菌柄形态分类结果：研究人员请三位具有食用菌DUS评价经验的专家独立评估全部473个样本的菌柄形态，并以多数投票确定参考标签；其中纺锤形81个、棒形256个、圆柱形136个。基于纵向宽度分布特征设定阈值：当d₂>1.05d₁且d₂>1.05d₃时判定为纺锤形，当d₃>1.55d₁时判定为棒形，其余判定为圆柱形。分类准确率分别为纺锤形98.77%、棒形76.17%、圆柱形77.21%。

讨论部分指出，菌柄长度、菌柄直径和菌盖直径的自动测量与人工测量一致性较好；菌盖菌肉厚度偏差较大，主要原因在于二维图像中最大内切圆直径作为几何替身指标小于实际厚度，且该性状数值本身较小（2—5 mm），菌盖组织较软，人工测量时卡尺接触可能造成轻微变形和定位差异。菌柄形态方面，DUS测试指南仅提供纺锤形、棒形和圆柱形的示例图而未给出定量定义；纺锤形与另外两类差异明显，因此分类准确率最高；棒形与圆柱形的纵向宽度分布较相似，仅依靠d₃与d₁的比值难以精确区分，需增加更多几何描述符。研究局限还包括成像环境相对固定、数据集规模较小、未比较从零训练与预训练迁移学习、浅色表型覆盖不足等。未来应扩充多环境、多批次、多品种数据，引入深度估计或立体视觉获取三维信息，并探索剪枝与量化等进一步轻量化策略。

研究结论：该研究提出的基于深度学习实例分割的自动表型参数提取方法，在暗褐小奥德蘑DUS测试中与人工测量结果高度一致，可有效替代部分人工测量流程，为暗褐小奥德蘑DUS测试数字化、食用菌智能化育种和表型精准鉴定提供技术支撑。