使用改进的BlendMask框架与图神经网络（GNN）辅助冠层优化的水培生菜幼苗量化分级

《Information Processing in Agriculture》：Quantitative grading of hydroponic lettuce seedlings using an improved BlendMask framework with GNN-assisted canopy optimization

　　

在水培叶菜生产中，幼苗大小差异会影响移植效率和生长均匀性，最终降低市场品质。尽管机器视觉已广泛应用于非破坏性幼苗监测与分级，但由于密植育苗盘中严重的叶片重叠和复杂的冠层结构，精确的幼苗分割与量化分级仍具挑战性。为应对这些挑战，研究人员提出了一种基于改进BlendMask网络与图神经网络（GNN）辅助冠层优化的水培生菜幼苗量化分级框架。该框架采用集成可变形卷积（DCNs）的ResNet50骨干网络与DeepLabV3+解码器，以增强多尺度特征表示与叶片边界提取。进一步开发了一种基于图神经网络的冠层优化算法，用于建模冠层碎片之间的空间关系，抑制因叶片重叠导致的过度分割，并重建生物学一致的冠层结构。采用冠层投影面积的95%置信区间作为全托盘量化分级的准则。实验结果表明，所提出的BlendMask-R50?+?DCNi3配置实现了98.2%的精确率（Precision）和72.0的平均精度（AP）。经冠层优化后，在不同遮挡条件下，幼苗计数准确率达到98.0%–100%，分级准确率保持在93%以上。对数百个每个约含200个种植位的育苗盘进行重复实验，表明完整分级流程每盘可在2.67秒内完成。这些结果表明，所提出的框架为植物工厂生产系统中的自动生菜幼苗计数、冠层重建与量化分级提供了一种高效实用的方法。

**论文解读：基于改进BlendMask与图神经网络冠层优化的水培生菜幼苗量化分级**

**研究背景、问题与目标**

在水培叶菜生产中，种苗品质的均匀性是决定移植效率、生长一致性和最终商品质量的关键因素。然而，由于种子质量差异和环境因素波动，同一育苗盘内常出现幼苗大小不一的现象。传统人工或简易机械移植方式往往忽略这些生长差异，导致移栽后植株长势不均、商品化率下降。因此，发展一种准确、无损且可量化的幼苗评估方法，以支持自动化分级与精准移植，成为植物工厂和大型温室生产系统的重要需求。

现有研究表明，冠层投影面积与幼苗鲜重或干重之间存在强相关性，可作为非破坏性分级指标。但密植条件下严重的叶片重叠、不规则的冠层形态及模糊的边界，使得基于传统图像处理或常规深度学习的方法难以实现精确的个体分割与生物学一致的冠层重建。现有分级标准多依赖株高、茎粗或叶绿素荧光等指标，缺乏统一、可解释的量化阈值。针对上述问题，本研究旨在开发一套集成改进实例分割网络与图神经网络（GNN）冠层优化的自动化框架，实现对水培生菜幼苗的精确计数、冠层重建与量化分级，并基于冠层投影面积的统计分布建立统一分级标准。

**研究内容与主要结论**

研究人员以水培生菜（Lactuca sativa L.）为材料，在中国农业大学LED植物工厂内进行幼苗培育。通过构建顶部成像平台采集高分辨率托盘图像，并采用改进的BlendMask网络（融合ResNet50骨干、可变形卷积DCNi3策略、DeepLabV3+解码器及双向特征金字塔）实现幼苗实例分割，随后利用基于图神经网络的冠层优化算法建模碎片间的空间关系与托盘拓扑约束，抑制过度分割，重建生物学一致冠层。实验结果表明，所提方法在不同遮挡条件下均能实现高精度计数（98.0%–100%）与分级（均值>93%），每盘处理时间约2.67秒。该框架为植物工厂自动化生菜幼苗分级提供了高效实用的解决方案。研究发表在《Information Processing in Agriculture》。

**主要关键技术方法**

本研究采用的主要技术方法包括：1) 改进的BlendMask实例分割网络，以ResNet50-FPN为骨干，周期性插入可变形卷积（DCNi3）适应不规则叶片形态，并集成DeepLabV3+解码器增强多尺度语义特征；2) 基于滑窗的补丁图像处理策略，将高分辨原始图像裁剪为512×512的重叠子图，在平衡计算效率与分割精度的同时保留冠层结构连续性；3) 基于图神经网络（GNN）的冠层优化算法，利用距离约束K近邻构建冠层碎片图，通过40次消息传递学习碎片合并与托盘孔分配，并以自监督方式结合几何伪标签进行训练。样本来源为中国农业大学LED植物工厂培育的水培生菜幼苗（品种：Lactuca sativa L.），共采集500张原始托盘图像（含约10万株幼苗），依据冠层遮挡程度分为无遮挡、轻微遮挡和相互遮挡三类，并按8:1:1划分训练、验证和测试集。

**研究结果**

**3.1 幼苗边缘分割结果**

**3.1.1 不同网络算法的分割结果**：通过对比四个代表性实例分割模型（Mask R-CNN、TensorMask、Swin Transformer、BlendMask），发现BlendMask在卷积模型中获得了最高的精确率（87.0%）、召回率（87.3%）和F1分数（87.2%），平均精度（AP）为70.7，且推理速度与Mask R-CNN相当（0.37秒/盘）。Swin Transformer虽AP最高（74.0），但推理时间约2.95秒，不适于实时分级。研究表明，BlendMask结合自上而下语义特征与自下而上空间信息的融合机制，在密集冠层分割中实现了精度与效率的最佳平衡。

**3.1.2 不同骨干网络的分割结果**：采用Grad-CAM分析表明，浅层FPN特征（P3–P5）对叶片边界响应更强，有助于保留局部形态细节。基于此，研究人员提出DCNi3策略（每隔三个残差块插入一个可变形卷积层，共12层）。相比原始ResNet50骨干，BlendMask-R50+DCNi3将精确率从87.0%提升至98.2%，F1分数从87.2%提升至89.2%，AP从70.7提升至72.0；召回率略有下降（87.3%→81.7%），表明过度分割减少但部分真实实例可能被遗漏。综合考虑处理时间，选择BlendMask-R50+DCNi3作为最终骨干。

**3.2 基于图神经网络辅助冠层分割的幼苗量化分级结果**

**3.2.1 冠层分割优化结果**：尽管改进BlendMask网络性能良好，密植条件下仍存在过度分割。所提出的GNN冠层优化算法通过整合托盘拓扑约束、空间邻接关系和几何连续性，成功将同一幼苗的分离冠层碎片合并为完整实例，同时保留相邻幼苗的边界。优化后的冠层遮罩展现出更完整的冠层结构和更准确的实例分离。

**3.2.2 冠层分割优化前后的性能对比**：在不同遮挡条件下进行独立重复实验。优化后，幼苗计数准确率（NA）提升1.5%–2.5%，无遮挡和轻微遮挡条件下达到100%，相互遮挡条件下达到98.0%；冠层投影面积与地上鲜重的相关系数（NB）提升0.01–0.22；分级准确率（NC）从优化前的95.6%–97.8%提升至96.7%–98.3%。尽管优化引入了额外计算，每盘处理时间为1.51–2.67秒，分级效率为74.91–132.45位置/秒，但大幅提升了计数与分级可靠性。研究证明，结合生物学约束的图学习对密植场景非常有效。

**3.3 水培生菜幼苗量化分级结果**

**3.3.1 分级结果与可视化**：基于冠层投影面积的95%正态分布置信区间（均值μ±1.96σ）定义三个等级：大于μ+1.96σ为I级（最优），小于μ-1.96σ为III级（最差），其余为II级。可视化结果（图8）显示，算法能准确定位空穴并量化每株冠层面积，I级和III级幼苗在新鲜重与冠层面积趋势上高度吻合，表明冠层投影面积可作为生长状况的可解释代理指标。

**3.3.2 水培生菜幼苗量化分级统计结果**：重复实验显示，无遮挡和轻微遮挡条件下平均NA为100%，相互遮挡下为97%；所有场景平均NC均高于93%；平均处理时间约2秒/盘；平均NB在0.69–0.84之间，呈中强正相关。随着遮挡加重，NA和NB略有下降，但整体分级稳定性可满足生产需求。

**讨论与结论**

讨论部分指出，改进BlendMask通过多尺度上下文表示与自适应几何建模的结合，在几乎不增加计算开销的前提下提升实例区分能力；补丁图像处理策略表明过高的空间分辨率反而不利于密集冠层分割，适当降低分辨率有助于保持结构连续性；GNN优化将生物学约束（托盘拓扑、空间连续性）引入图学习，区分了同一幼苗的分离叶片与相邻幼苗的重叠叶片，增强了冠层完整性与表型可解释性。尽管重度遮挡下仍存在模糊性，未来可融合深度传感或多视角成像进一步改进。

研究结论翻译如下：**5. 结论**
本研究通过集成改进的BlendMask分割网络与图神经网络（GNN）辅助冠层优化，开发了一套水培生菜幼苗量化分级框架。所提出的BlendMask-R50?+?DCNi3配置在密集冠层重叠下实现了98.2%的精确率（Precision），并改善了边界定位。后续基于图的冠层优化模块通过纳入空间邻接性与托盘拓扑约束减少了过度分割，使幼苗计数准确率达到98.0%–100%，重复实验中平均计数准确率为97%–100%。完整分级流程处理一个约含200个种植位的托盘可在2.67秒内完成，重复实验中平均分级准确率保持在93%以上。这些结果表明，冠层投影面积与实例分割及托盘级结构优化相结合，可为植物工厂系统中自动生菜幼苗分级提供高效且可解释的基础。未来工作应关注跨品种泛化能力的提升、分级阈值在不同生长阶段的验证，以及为嵌入式园艺设备开发轻量级部署版本。