快速提取茶芽表型参数（原位），结合关键点识别与深度图像融合技术 郭阳、 陈一勇、 姚伟豪、 王俊树、 李建龙、 周波、 赵俊宏、 唐金池

《Agriculture》：Rapid Extraction of Tea Bud Phenotypic Parameters ‘In Situ’ Combining Key Point Recognition and Depth Image Fusion Yang Guo, Yiyong Chen, Weihao Yao, Junshu Wang, Jianlong Li, Bo Zhou, Junhong Zhao and Jinchi Tang

　　

摘要

通过移动设备实时测量茶芽表型受到模型轻量化挑战的限制，而基于关键点的非接触式茶芽表型测量研究仍大多处于探索阶段。茶芽的生长姿态信息是确定茶叶成熟度等级、质量监控和茶叶育种的重要依据。因此，本研究开发了一个基于深度学习的YOLOv8p-Tea模型，该模型能够通过整合深度信息来估计茶芽的关键点信息，并自动获取茶芽的三维点云数据，从而实现茶芽表型参数的现场测量。该模型使用包含一个茶芽和三片叶子的图像数据集进行训练和验证，实验结果证明了其有效性。与YOLOv8p-pose模型相比，该模型的mAP50达到了98.3%，P值达到了97%，参数数量减少了25%（mAP50和P值分别提高了1.5%和1.9%）。为了验证表型提取的准确性，该模型被部署在边缘设备上，并在茶园中随机选取了30个含有一个茶芽和三片叶子的样本进行测试。最终的现场测量结果显示，模型的一致性误差（MRE）为6.63%。实验结果表明，所开发的方法不仅能够有效估计茶芽的姿态，还能准确实现茶芽表型的现场测量，这为智能茶园的建设以及茶叶育种的优化提供了潜在的应用价值。