使用YOLOv8的大豆气孔对水分亏缺响应的自动表型分析

《Discover Plants》：Automated phenotyping of soybean stomatal responses to water deficit using YOLOv8

　　

人工智能应用于植物表型分析对获得一致结果至关重要，因为胁迫下的气孔分类影响生理学、水分利用效率和生产力。手动分析费时且易出错，限制了评估的效率和准确性。在此背景下，本研究从水分亏缺（WD）和充分浇水（WW）的大豆植株中开发了一个大豆专用数据集，训练YOLOv8模型用于开放与闭合气孔的自动检测和分类。大豆植株在水分亏缺和充分浇水条件下生长，产生了气孔结构开放度及相关气体交换性状的显著变异。为捕捉气孔变异，研究人员采用表皮印迹技术，并通过显微镜获取图像。使用Roboflow应用的智能多边形工具对数据集进行标注，共269张叶片近轴面和远轴面图像被注释为两类：开放气孔和闭合气孔。图像经过几何变换以促进模型训练。结果表明，YOLOv8神经网络实现了超过90%的精确率、召回率和平均精度均值（mAP），凸显了其在气孔检测和分类中的有效性。通过将气孔开度状态（开放和闭合）的自动分类与大豆特定的生理胁迫背景相结合，本研究建立了一个专为功能分析设计的数据集。该方法将深度学习的适用性扩展到面向胁迫的植物生理学研究，为评估气候变化情景下的作物适应性提供了稳健工具。

**基于YOLOv8的大豆气孔对水分亏缺响应的自动表型分析：研究背景、方法、结果与结论**

**一、研究背景与问题**

气孔（stomata）是植物调节气体交换（如CO₂吸收与水分蒸腾）的关键结构，其开闭状态直接影响光合作用、水分利用效率和作物生产力。在水分亏缺（water deficit, WD）等环境胁迫下，气孔闭合以减少水分散失，但同时也限制了CO₂同化，导致产量下降。当前气孔表型分析主要依赖手动显微镜观察和计数，该方法耗时、主观且可重复性差，尤其在水胁迫条件下，气孔状态（开放、半开放、闭合）并存，增加了量化难度。尽管深度学习（如卷积神经网络CNN）已应用于气孔自动检测，但现有研究多集中于正常生长条件下的解剖学计数或形态测量，缺乏在明确生理胁迫背景下对气孔功能状态（开放与闭合）的分类。此外，已发表的数据集多不包含水分胁迫诱导的响应，限制了模型在胁迫生理学研究中的应用。因此，本研究旨在构建一个大豆（Glycine max）特异性数据集，利用YOLOv8模型实现水分亏缺条件下气孔开闭状态的自动检测与功能分类，并验证其与生理响应（气体交换、水势）的关联。该论文发表在《Discover Plants》。

**二、主要关键技术方法**（不超过250字）

研究人员采用28株大豆（品种“Brasmax? Power IPRO”）进行温室盆栽实验，设置水分亏缺（WD，维持50%最大持水量）和充分浇水（WW，90%最大持水量）两种处理。为获取气孔图像，使用氰基丙烯酸酯基速干胶进行表皮印迹（epidermal printing），并用显微镜（Olympus BX61, DP-72相机）在明场下拍摄叶片近轴面和远轴面照片。构建数据集：共269张图像（分辨率1600×1200像素），使用Roboflow智能多边形工具标注开放和闭合气孔两类（共标注754个用于训练、215个用于验证、107个用于测试）。模型采用YOLOv8（s尺度）进行训练，使用SGD优化器（学习率0.01，动量0.937）训练300轮，并应用标准数据增强。训练在Google Colab（Tesla T4 GPU）上进行。模型性能通过精确率、召回率、平均精度均值（mAP50和mAP50-95）及混淆矩阵评估。

**三、研究结果**

**3.1 数据集的构建与气孔状态分布**

通过WD和WW处理，研究人员从大豆叶片表皮印迹图像中建立了包含1335个闭合气孔和807个开放气孔的数据库。在WW条件下，气孔主要处于开放状态；而WD条件下气孔则以闭合为主。这种状态分布与气体交换测量一致：WD植株的气孔导度（g_S）下降93%（从0.71降至0.05 mol H₂O m^-2 s^-1），光合速率（A）降低72%（从25.06降至6.95 μmol CO₂ m^-2 s^-1），叶片水势（Ψ_w）更负。这些结果验证了自动检测到的气孔状态与生理胁迫水平之间的功能关联。

**3.2 YOLOv8模型的检测与分类性能**

在测试集（26张图像）上，YOLOv8模型对开放气孔的准确率为86.55%，对闭合气孔的准确率为79.96%。模型在训练过程中精确率、召回率、mAP50和mAP50-95均稳定在0.9以上（mAP50-95大于0.7）。混淆矩阵显示，模型正确识别了219个闭合气孔和147个开放气孔，主要错误是将部分气孔误分类为背景（49个闭合、32个开放），这归因于表皮印迹图像中气孔尺寸小、对比度低以及闭合气孔与周围表皮细胞相似。

**3.3 气孔密度估算与功能表型分析**

由于所有图像在显微镜下以恒定距离（100 μm）采集，图像对应恒定叶面积，因此模型不仅可分类气孔开闭状态，还可直接计算气孔密度（单位面积气孔数）。这为高通量评估水分胁迫下的气孔响应提供了可规模化工具。

**四、讨论总结与结论**

**讨论总结**：本研究的创新点在于超越以往仅针对正常条件下气孔解剖学检测的局限性，构建了包含水分亏缺诱导的气孔功能状态（开放与闭合）的数据集，并将自动分类结果与实测生理参数（气孔导度、光合速率、水势）直接关联，建立了方法与生理学之间的桥梁。与先前YOLOv3/v4/v5在非胁迫大豆上的气孔计数研究（仅达mAP 0.94-0.99）相比，本研究在胁迫背景下实现了功能分类，且使用成本更低的表皮印迹技术。模型对闭合气孔的误分类主要源于图像质量和对象尺寸限制，未来可通过改善图像标准化、对比度增强等策略提升。这一框架将深度学习的应用从解剖表型推进到功能表型，为气候变化下作物适应性的评价提供了可重复、可扩展的工具。

**研究结论**：本研究证明YOLOv8是一种有效且稳健的框架，可用于大豆气孔的自动检测与功能分类。通过实现高精确率、召回率和mAP值，该方法能够可靠识别开放与闭合气孔，并在不同水分处理下支持气孔密度的估算。除技术性能外，本研究的主要贡献在于将自动气孔表型分析从纯粹的解剖学检测推进到特定生理胁迫背景下的功能分析。该框架为生态生理学研究提供了可扩展且可重复的工具，在作物胁迫监测和气候适应性农业中具有强大应用潜力。