BerryBox：一种用于蔓越莓(Vaccinium macrocarpon)及其他小型浆果采后表型分析(postharvest phenotyping)的低成本计算机视觉系统

《The Plant Phenome Journal》：BerryBox: An affordable computer vision system for postharvest phenotyping of cranberry and other small fruits

　　

果实大小、形状、颜色和果实腐烂率(percent fruit rot, PFR)是蔓越莓(Vaccinium macrocarpon Ait.)育种中的重要品质性状。图像分析可用于测量这些性状，但目前缺乏用于标准化图像采集的廉价硬件及配套的用户友好软件流程。此外，尚无基于图像的方法估算通常由繁琐且主观方式测量的果实腐烂率。研究人员开发了BerryBox——一种简易廉价的灯箱(lightbox)、相机支架及配套软件流程，用于标准化采后果实图像的采集与分析。训练好的深度神经网络模型对健康果实分割(sound fruit segmentation)具有高精度(F1值：99.4%)，对腐烂果实检测(rotten fruit detection)亦具高精度(F1值：98.5%)。研究人员将BerryBox应用于来自156个无性系的3年生蔓越莓育种群体图像，基于图像的果实颜色、形状、大小及PFR的狭义遗传力(narrow-sense heritability, h2)估计值为0.37~0.95。随机二次抽样显示每基因型25~30粒浆果足以表征全数据集变异。研究人员演示了BerryBox性状在小规模遗传连锁作图(linkage mapping)分析中的效用，检测到与传统测定性状吻合显著的标记–性状关联(marker–trait association, MTA)。BerryBox软件在未重新训练模型情况下可准确分割蓝莓图像中的果实，表明其适用于其他相似形状果实。软件流程及BerryBox材料与组装说明均公开供他人采用以实现低成本基于图像的表型分析。

《BerryBox：一种用于蔓越莓及其他小型浆果采后表型分析的低成本计算机视觉系统》论文解读

本研究发表于《The Plant Phenome Journal》。蔓越莓(Vaccinium macrocarpon)育种中，果实大小、形状、颜色及果实腐烂率(percent fruit rot, PFR)是关键品质性状。传统方法测量总花青素含量需用分光光度计，大小靠筛网且形状不测，PFR需人工分拣计数，耗时费力且主观。现有基于图像的分析缺乏标准化低价硬件，且尚无RGB图像快速量化PFR的方法。为此，研究人员开发了低成本灯箱BerryBox及配套计算机视觉流程，结合深度学习实现蔓越莓果实多性状自动化高通量采后表型分析，并验证其在育种群体中的遗传参数及跨作物适用性。

主要关键技术方法：

研究人员以蔓越莓156个无性系(clone)育种群体（2019年种植于新泽西州P.E. Marucci中心，2021–2023年采收）为材料。构建约600美元的BerryBox灯箱（62×51×51 cm，中性白LED漫反射照明消除果面反光），配Nikon D7500数码单反相机(digital single lens reflex, DSLR)及ColorChecker色卡。用Raspberry Pi控制相机，开发Python软件流程（含OpenCV色校正、QR解码）。训练YOLOv8实例分割模型（果实、色卡、QR码，210幅标注图）和YOLOv8目标检测模型（健康/腐烂果实二分类，60幅标注图）。经遗传混合模型估算狭义遗传力(narrow-sense heritability, h2)，随机重抽样确定最少采样果数，双亲本群体联合连锁作图检测数量性状位点(quantitative trait loci, QTL)。

研究结果

3.1 Deep learning model training（深度学习模型训练）

研究人员用YOLOv8训练果实分割与腐烂检测模型。果实分割模型总体准确率98.9%，F1值99.4%；腐烂检测模型精确率98.6%、召回率98.5%、F1值98.5%（对健康果F1=98.5%，腐烂果F1=98.5%）。未重新训练的蔓越莓分割模型对蓝莓图像准确率99.8%、F1值98.9%。平板 ambient light下训练的腐烂检测模型F1值仅79.3%，证实BerryBox标准光照的重要性。

3.2 Statistical analysis（统计分析）

BerryBox测得各性状在克隆间存在显著变异。图像表型性状狭义遗传力h2均值0.72，范围0.37（bbPFR）至0.95（偏心率Eccentricity平均值）；传统性状h2为PFR=0.70、TA(可滴定酸)=0.72、Brix=0.83、TAC(总花青素含量)=0.86。总花青素TAC与Red.Avg（平均红色强度，由RGB空间提取）相关性r=-0.89，与L*Avg r=-0.86；传统PFR（按质量）与bbPFR（按计数）r=0.64。随机重抽样表明每基因型取25~30粒浆果，性状均值与标准差相关系数>0.95；均值需约10粒达r>0.80，标准差需约20粒。

3.3 Linkage mapping analysis（连锁作图分析）

对131个克隆进行双亲本联合连锁作图。TAC与Red.Avg均在3号染色体9.59–11.8 Mbp和30.3–32.6 Mbp区间检出显著标记–性状关联(MTA)，与既往报道花青素含量QTL重合；PFR与bbPFR未达显著阈值，归因于性状复杂性、仅1年bbPFR数据及群体规模限制。

讨论与结论

BerryBox提供便携可控照明消除蔓越莓果面反光，较既往依赖颜色阈值的计算机视觉方法更稳健，可同时分割色卡与QR码。其深度学习流程首次实现基于RGB图像的蔓越莓PFR自动量化（F1=98.5%），bbPFR具中等遗传力(h2=0.37)且与手工PFR相关(r=0.64)。图像表型性状具中高遗传力（形状与颜色平均h2=0.80~0.95），支持以此间接选择TAC（Red.Avg h2更高且测定更快）。仅需约30粒果实即可可靠估计群体均值，有利早期选择或温室评价。分割模型未经重训可准确分割蓝莓，具推广至葡萄、树莓等小型圆果潜力。材料清单、组装说明及开源软件（含预训练模型）已公开。研究表明BerryBox为小型浆果采后品质及病害高通量表型分析提供了低成本、标准化解决方案，所获图像性状可用于育种遗传评估与QTL定位，提升蔓越莓及其他小果类育种效率。