《Agriculture》：Research on Intelligent Identification Method for Nitrogen Content in Greenhouse Cucumber Leaves Integrating YOLOv11n Segmentation and Machine Learning
编辑推荐：
温室黄瓜叶片氮含量的快速、无损检测对于精准施肥至关重要，然而传统化学方法具有破坏性且耗时，现有光谱技术则存在成本高、田间适应性差等问题。本研究旨在提出一种基于轻量化模型的黄瓜叶片氮含量高精度检测方案，以适用于复杂场景。研究共采集698幅覆盖3个生长时期的黄瓜叶
温室黄瓜叶片氮含量的快速、无损检测对于精准施肥至关重要，然而传统化学方法具有破坏性且耗时，现有光谱技术则存在成本高、田间适应性差等问题。本研究旨在提出一种基于轻量化模型的黄瓜叶片氮含量高精度检测方案，以适用于复杂场景。研究共采集698幅覆盖3个生长时期的黄瓜叶片图像，用于构建分割数据集。研究人员对4类8种深度学习分割模型进行了优化与比较，并筛选出最优模型用于提取叶片区域。进一步提取9种颜色特征，并将其与凯氏定氮法（Kjeldahl）测得的氮含量相结合，以构建并优化3种机器学习模型，形成“深度学习分割—颜色特征提取—机器学习预测”的流程。结果表明，对于高分辨率图像，YOLOv11n取得了最佳分割精度，其交并比（IoU）为0.9212，平均精度（AP）为0.9998。优化后的极端梯度提升（XGBoost）具有最高预测精度，其平均绝对误差（MAE）为0.469、均方误差（MSE）为0.461、均方根误差（RMSE）为0.679，分别较径向基函数核支持向量回归（SVR_RBF）降低10.15%、8.71%和4.36%，且其预测的氮含量与真实值分布趋势具有较好一致性。所提出的融合YOLOv11n与XGBoost的方案，为温室黄瓜氮素营养诊断与精准施肥提供了一种轻量化技术解决方案。
该文发表于《Agriculture》，围绕温室黄瓜叶片氮含量的快速、无损、低成本识别展开研究。精准农业的发展要求对作物营养状态进行实时、规模化获取，而氮素作为影响黄瓜光合作用、叶绿素合成及果实发育的关键大量营养元素，其叶片含量检测对于温室黄瓜高效栽培具有直接意义。传统凯氏定氮法和干灰化法虽然精度较高，但存在操作繁琐、耗时耗力、破坏取样等局限，难以满足生产中实时监测和田间应用需求。已有高光谱和拉曼光谱（RS）等无损检测技术虽能提高识别精度，但设备成本高、环境适应性不足，不利于在设施栽培现场大范围推广。与此同时，叶色是作物氮素营养状态的直观外在表征，基于叶片颜色信息结合机器学习进行氮含量识别具有成本低、易获取的优势，但在温室复杂背景下，枝条、土壤、杂草、叶片重叠、遮挡和光照不均等因素会显著干扰叶片分割与颜色特征提取精度。因此，构建一种适用于复杂背景、兼顾轻量化与高精度的黄瓜叶片氮含量识别流程，成为该研究开展的现实基础。
研究人员以新疆温室黄瓜为对象，建立了覆盖苗期、开花期和结果期等多场景的叶片图像数据集，并系统比较了Mask R-CNN、DeepLab v3+、全卷积网络（FCN）及YOLOv11系列等8种主流深度学习分割模型在复杂背景下的分割效果。在此基础上，研究人员利用最优分割模型提取叶片区域，计算9种颜色特征，并结合凯氏定氮法测得的叶片氮含量，进一步构建支持向量机（SVM）、随机森林（RF）和极端梯度提升（XGBoost）模型，形成从叶片图像分割到颜色特征建模再到氮含量预测的完整技术链。研究结果表明，YOLOv11n在分割精度、速度和模型体积方面综合表现最佳，优化后的XGBoost在氮含量预测上优于其余机器学习模型，证实常规光学成像与轻量级智能算法耦合可用于温室黄瓜氮素营养诊断。该研究的重要意义在于，为替代高成本光谱设备提供了一条更易部署、更具田间适应性的技术路线，对设施黄瓜精准施肥管理具有应用价值。
作者采用的关键技术方法可概括为以下几个方面：首先，在新疆农业科学院试验基地采集698幅4080 × 3060像素黄瓜叶片图像，构建复杂背景下的分割数据集，并按500:100:98划分训练集、验证集和测试集；其次，基于标注结果对8种深度学习分割模型进行训练与比较，使用交并比（IoU）、精确率、召回率、像素精度和分割耗时评估其性能；再次，另行采集150份叶片样本，利用凯氏定氮法测定氮含量，并从分割后的叶片区域提取RGB、HSV及归一化颜色指数共9项颜色特征；最后，以120组样本训练、30组样本测试，对SVM、RF和XGBoost模型进行超参数优化，并以MAE、MSE、RMSE评价氮含量预测效果。
在研究结果部分，论文首先在“3.1. Comparison of Training Process, Performance and Segmentation Effect of Eight Models for Cucumber Leaf Segmentation at Different Resolutions and with Complex Backgrounds”中，对多种分割模型的训练过程、模型性能及复杂背景下的叶片分割效果进行了系统比较。
在“3.1.1. Comparison of Training Process and Performance of Four Models for Cucumber Leaf Segmentation”中，研究人员通过分析损失函数变化、训练时长和模型大小，比较了DeepLab v3+、Mask R-CNN、FCN和YOLOv11系列模型的训练表现。结果显示，DeepLab v3+在冻结与解冻训练阶段均能较快收敛，FCN在约21个训练轮次后趋于稳定，Mask R-CNN虽能完成有效训练，但损失波动较大、训练周期长。相比之下，YOLOv11各模型训练趋势稳定，且YOLOv11n总训练时间最短，仅10 min，模型大小仅6.0 MB；Mask R-CNN训练时间长达566 min，模型大小为245 MB。该结果说明轻量化主干设计显著降低了训练成本，而YOLOv11n在效率方面具有明显优势。
在“3.1.2. Comparison of Segmentation Performance of Five Models for Cucumber Leaves at Different Resolutions and with Complex Backgrounds”中，研究人员选取包含枝条、重叠叶片和土壤背景的10幅黄瓜叶片图像，对优化后的5种模型在不同分辨率下的分割性能进行评估。结果表明，同一模型在不同分辨率图像上的分割耗时差异很小，其中Mask R-CNN分割10幅图像耗时最长，为34.0 s，而YOLOv11n最短，仅0.053 s。定量指标显示，5种模型的平均IoU依次为YOLOv11n 0.9212、Mask R-CNN 0.8784、DeepLab v3+
1 0.8528、DeepLab v3+
2 0.7657和FCN 0.6896；平均AP依次为YOLOv11n 0.9999、Mask R-CNN 0.9998、DeepLab v3+
1 0.9239、DeepLab v3+
2 0.9046和FCN 0.8960。进一步对比可见，YOLOv11n与Mask R-CNN均能在复杂场景下有效分割黄瓜叶片，但YOLOv11n还能较好识别部分不完整叶片，显示出更优的分割鲁棒性。
随后，在“3.2. Determination Results of Nitrogen Fertilizer Content in Cucumber Leaves”中，论文报告了叶片干重、氮含量及颜色特征的测定与统计结果。
在“3.2.1. Distribution Characteristics and Variation Patterns of Dry Weight and Nitrogen Content of 150 Cucumber Leaves”中，研究人员测定了150片黄瓜叶在不同生育时期的干重和氮含量分布。结果显示，3个生长阶段的叶片最大干重分别为0.86、1.18和1.87 g，平均干重分别为0.40、0.85和1.11 g，说明随着生育进程推进，叶片干重总体增加。氮含量方面，3个生长阶段的最大值分别为3.77、4.09和8.54 mg·g
?1，平均值分别为1.83、1.10和1.64 mg·g
?1，最小值分别为0.10、0.08和0.25 mg·g
?1。文中指出，叶片氮含量在开花期较高、成熟阶段较低，其变化趋势与干重并不一致。
在“3.2.2. Statistical Analysis of Color Features of 150 Cucumber Leaves Based on RGB and HSI Color Spaces”中，研究人员基于叶片分割结果提取了150份样本的9项颜色特征，包括R、G、B，色调（H）、饱和度（S）、亮度（V）及归一化红值（NRI）、归一化绿值（NGI）、归一化蓝值（NBI）。统计结果表明，黄瓜叶片绿色通道均值高于红色和蓝色通道，且最大值和最小值也表现出相同趋势。色调值分布于49.3–107.58之间，变化幅度较小；饱和度分布于0.11–0.67之间，亮度分布于0.06–0.68之间，其标准差分别为0.13和0.14，离散程度不高。相关性分析结果显示，9项颜色特征与叶片氮含量的相关系数介于?0.126至0.109之间，其中色调、亮度以及3项归一化颜色指标与氮含量的相关性相对较高，而R、G及饱和度的相关性相对较低。
在“3.3. Intelligent Recognition Results and Analysis of Nitrogen Fertilizer Content in Cucumber Leaves Based on Color Features”中，研究人员基于120组颜色特征训练数据和30组测试数据，对不同超参数组合下的机器学习模型进行了比较。结果表明，在最优超参数条件下，各模型预测性能由优到劣依次为XGBoost、SVR_Poly、RF和SVR_RBF，说明优化后的XGBoost在黄瓜叶片氮含量识别中精度最高。XGBoost模型的MAE、MSE和RMSE分别为0.469、0.461和0.679，较SVR_RBF分别降低10.15%、8.71%和4.36%。在37片黄瓜叶的预测验证中，模型预测值主要分布在1.0–2.5 mg·g
?1，真实值分布在0.5–3.5 mg·g
?1，总体趋势较为一致。拟合结果显示Pearson相关系数r为0.46949，决定系数R
2为0.22042，表明模型预测值与实测值之间存在中等相关性，能够解释约22%的氮含量变异。
在讨论部分，作者进一步综合比较了不同模型的适用性。研究表明，YOLOv11n在复杂背景黄瓜叶片分割任务中实现了最佳总体表现，不仅高分辨率图像IoU达到0.9212、AP达到0.9999，而且在推理速度与模型尺寸方面明显优于Mask R-CNN。与文中引用的优化型CL-YOLOv8相比，本研究YOLOv11n在分割精度上仍有优势，说明无需进行复杂结构改造，标准YOLOv11n即可在该任务中取得高水平表现。与此同时，研究还指出，相较于高光谱和拉曼光谱等高成本设备，本研究方案仅依赖常规光学成像设备，并结合预训练分割模型与轻量级机器学习模型，因而更适于温室黄瓜日常精准施肥管理。文中同时指出，该研究目前主要基于室内静态图像验证，模型在极端自然光条件下的表现仍需进一步检验。
研究结论部分可译述为：在复杂背景条件下，对8种主流深度学习分割模型的系统评估表明，标准YOLOv11n模型在无需定向结构改进的情况下，即可实现黄瓜叶片最优实例分割精度。对于高分辨率图像，其IoU达到0.9212，AP达到0.9998，显著优于DeepLab v3+系列和FCN模型。此外，与Mask R-CNN相比，YOLOv11n在分割效率（0.053 s/图像）和模型体积（6.0 MB）方面具有显著优势。基于YOLOv11n分割叶片区域提取的颜色特征，优化后的XGBoost模型在氮含量预测中表现最佳，MAE、MSE和RMSE分别为0.469、0.461和0.679，优于SVR-Poly、RF和SVR-RBF模型。预测得到的氮值与真实值分布趋势较为一致，从而验证了“深度学习分割—颜色特征提取—机器学习预测”流程的可行性。与高成本且难以在田间部署的高光谱和拉曼光谱技术相比，该方案仅依赖常规光学成像设备。通过集成预训练Mask R-CNN分割模型与轻量级XGBoost预测模型，该系统具有较低硬件成本，并适用于温室黄瓜栽培中的常规精准施肥管理。
