《AgriEngineering》：Comparative Evaluation of Classical Segmentation Methods for Cocoa Pods in Uncontrolled Field Images: Accuracy and Structural Robustness
编辑推荐：
图像分割是可可生产中植物病理学诊断计算机视觉系统的关键步骤。然而，在真实田间条件下，经典分割方法的可靠性仍未得到充分评估，因为非标准化条件下捕获的图像常受可变光照、复杂背景、部分遮挡以及可可豆荚与周围植被之间色度相似性的影响。本研究比较了全局阈值法、K-mea
图像分割是可可生产中植物病理学诊断计算机视觉系统的关键步骤。然而，在真实田间条件下，经典分割方法的可靠性仍未得到充分评估，因为非标准化条件下捕获的图像常受可变光照、复杂背景、部分遮挡以及可可豆荚与周围植被之间色度相似性的影响。本研究比较了全局阈值法、K-means聚类和GrabCut算法，使用了343张在非受控农业环境中用非标准化移动设备捕获的可可豆荚图像；保留了低分辨率图像以保持外部有效性。通过无监督结构指标在全数据集上评估鲁棒性，包括分割面积比（AS）、最大成分比（LCR）和灾难性失败率（FC），同时通过交并比（IoU）在50张手动标注图像上验证准确性。Wilcoxon符号秩检验显示各方法间存在统计学显著差异。GrabCut取得了最佳性能（IoU = 0.814），高结构一致性（LCR = 0.985），以及低灾难性失败率（FC = 1.7%）。相比之下，K-means表现出严重碎片化和不稳定性，而全局阈值法对光照变化和复杂背景高度敏感。这些结果表明，GrabCut在非受控田间条件下为可可豆荚分割提供了一个鲁棒的免训练基线，尤其适用于标注数据集、监督训练或GPU部署受限的离线植物病理学分析。
**研究背景、问题与意义**
可可（*Theobroma cacao*）种植的植物病理学监测因直接影响热带地区粮食安全、农村经济和农业系统可持续性而成为研究焦点。近年来，全球可可产量与需求失衡，2023–2024年度出现47.8万吨缺口。气候变化改变了降雨和温度模式，促进病原体传播，导致产量下降。主要病害包括由*Moniliophthora perniciosa*引起的 witches’ broom、由*Moniliophthora roreri*引起的 frosty pod rot 以及由*Phytophthora* spp.引起的 black pod，若不及时管理，可造成高达80%的产量损失。早期识别这些病害对减少经济损失、优化田间管理至关重要。计算机视觉技术，尤其是图像分割，被用于分离感兴趣的物体（可可豆荚）与背景，以支持后续分类、诊断和监测。然而，经典分割方法在真实田间条件下（光照变化、复杂背景、果与植被色度相似）的可靠性尚未被充分评估。现有研究多聚焦于深度学习模型，但经典方法因低计算成本、易实现性仍具价值，且缺乏系统比较。因此，本研究旨在系统评估全局阈值法、K-means聚类和GrabCut三种经典方法在非受控田间图像中的表现，提出结合监督与无监督指标的评估框架，为离线植物病理学分析提供鲁棒基线。
**主要关键技术方法**
研究人员使用343张可可豆荚图像，其中250张健康、93张感染 moniliasis（moniliasis，由*Moniliophthora roreri*引起）。图像采集自墨西哥塔巴斯科州（Tabasco）的湿热热带气候地区，通过非标准化移动设备拍摄，分辨率从640×480到5152×3864像素不等，未进行人工光照控制。预处理包括将图像缩放至固定宽度900像素并保持长宽比，以及应用对比度受限自适应直方图均衡化（CLAHE）增强亮度通道的局部对比度，随后用5×5高斯核滤波。三种方法：全局阈值法（固定强度阈值T=128，配合形态学开闭运算和面积过滤）；K-means在CIELAB色彩空间聚类（k=3，选择最接近几何中心的簇作为对象）；GrabCut（自动矩形初始化，中心80%区域，迭代6次，最后保留最大连通分量）。无监督评估指标包括分割面积比（AS）、最大成分比（LCR）和灾难性失败率（FC）；监督评估在50张手动标注子集上使用交并比（IoU）。
**研究结果**
**3.1 预处理后图像数据集特征**：缩放至900像素宽度后，灰度直方图仍呈多峰（peak数3.31±2.34），峰度负值（?0.67±0.70），亮度变异系数高（0.51±0.14），平均梯度值49.51，表明预处理虽标准化了空间尺度但未消除环境统计复杂性。
**3.2 真实操作条件下的定性分割**：全局阈值法能部分分离果实，但系统性地在叶片、枝条等相似色度区域引入背景污染；K-means提高了色度区分能力，但在高纹理区域出现严重碎片化，生成多个不连续成分；GrabCut展现了更一致的轮廓描绘、更少的背景误分割和更高的空间连续性。
**3.3 监督定量评估（n=50）**：GrabCut平均IoU最高（0.814），显著高于全局阈值法（0.505）和K-means（0.416）。箱线图显示GrabCut中位数更高、四分位距更小，K-means离散度大且频繁出现低值。Wilcoxon符号秩检验（α=0.05）表明所有两两比较差异均显著（p<0.001），Bonferroni校正后仍显著。
**3.4 结构鲁棒性分析（n=343）**：GrabCut的FC为1.74%，LCR平均0.985，表明多数为单成分分割且结构一致；全局阈值法FC同为1.74%，但LCR仅0.771，提示部分背景包含或局部过分割；K-means的FC高达17.49%，LCR平均0.516，显示严重碎片化和不稳定性。
**3.5 GrabCut失败案例**：六个代表性失败案例包括不完整提取、背景包含、局部颜色异质性、复杂植被背景、豆荚-背景色度相似和过度光照。这些失败源于前后景边界模糊、豆荚表面颜色变化、光照改变对比度等。
**3.6 处理时间**：全局阈值法最快（38.06 images/s），K-means居中（2.63 images/s），GrabCut最慢（6.738 s/image），反映了精度与效率的权衡。
**讨论与结论**
讨论部分指出，GrabCut在精度和结构稳定性上均优于其他方法，其低FC（1.7%）和高LCR（0.985）表明分割结果连续且结构一致。K-means的17.5%失败率和高碎片化源于缺乏空间正则化，而全局阈值法受限于多峰直方图和光照变异。研究强调了保留低分辨率图像以保持外部有效性的方法学优势，并指出GrabCut虽需较长CPU处理时间，但无需训练数据集或GPU，适合资源受限的离线分析。研究局限性包括：监督评估仅基于50张子集、空间归一化可能影响小结构精度、未与深度学习模型比较。结论部分：本研究在非受控田间条件下评估了全局阈值法、K-means和GrabCut用于可可豆荚分割。实验设计使算法在真实农业场景下得到评估，而非理想化条件。在该条件下，GrabCut取得了最高分割精度和结构一致性（IoU=0.814，LCR=0.985，FC=1.7%）。相比之下，全局阈值法受光照变化和前后景分离性差限制，易包含背景区域；K-means因豆荚与植被色度相似且缺乏空间正则化而出现掩膜碎片化。结合监督精度指标与全数据集结构指标的综合评估表明，分割可靠性不能仅从平均重叠性能推断，还需评估掩膜一致性和大规模失败行为。这些结果表明，当田间视觉复杂性限制前后景分离时，迭代前后景建模结合空间正则化可提高分割鲁棒性。尽管GrabCut的CPU处理时间较长，但考虑到其免训练特性，在标注数据、监督训练或GPU资源有限的可可生产环境中，它代表了一种稳健的离线植物病理学分析和低频田间监测的中间替代方案。未来工作应包括对健康和患病豆荚的分层分析，以确定病害相关色调异质性如何影响分割方法性能，并应评估优化GrabCut配置（如迭代次数调整）以在保持分割质量的同时减少处理时间。该研究发表在《AgriEngineering》。
