《Smart Agricultural Technology》：Establishing a machine learning model based on leaf shape parameters to determine nitrogen supply level of cut flower chrysanthemum
编辑推荐：
通过表型性状评估植物营养状况对于优化切花菊（Chrysanthemum morifolium Ramat.）生产中的施肥至关重要；然而，实用且快速的氮素水平鉴定方法仍然有限。在本研究中，研究人员在典型生产范围内三种氮素供应水平下对主栽品种‘Jingcheng’
通过表型性状评估植物营养状况对于优化切花菊（Chrysanthemum morifolium Ramat.）生产中的施肥至关重要；然而，实用且快速的氮素水平鉴定方法仍然有限。在本研究中，研究人员在典型生产范围内三种氮素供应水平下对主栽品种‘Jingcheng’进行了栽培试验。采用PSPNet（Pyramid Scene Parsing Network）模型对全叶和顶部裂片进行分割，并使用YOLO v11n-pose模型检测每片叶子的十个关键点，从而提取出十个实测和九个计算形态参数。PSPNet的平均准确率（mAcc）达到0.9926，计算量为59.21 GFLOPs；YOLO v11n-pose的mAP0.5为0.982，仅需2.73 M参数，确保了高效且准确的特征提取。提取的叶片形态参数的平均相对误差（MRE）低于2.2%，证实了所提出的形态参数提取框架的准确性。计算参数表现出比直接测量参数更高的稳定性（变异系数CV≈10% 对比 CV>20%），尤其在中下部叶片中更为显著。单因素方差分析（One-way ANOVA）表明，中下部叶片的八个计算参数在氮素处理间差异显著（P < 0.05）。在所测试的分类器中，XGBoost模型表现最佳，准确率为0.8617，Kappa系数为0.7926。特征重要性分析将顶裂片长度与叶长之比（Ratio of terminal lobe length to leaf length）和顶裂片长宽比（Top lobe aspect ratio）确定为关键判别指标。该研究结果建立了一个高效且可解释的形态学框架，用于快速识别切花菊的氮素供应水平，为进一步的精准养分管理和智能栽培提供了支持。
**论文解读：基于叶片形态参数与深度学习构建切花菊氮素供应水平分类模型**
**研究背景与问题**
切花菊（*Chrysanthemum morifolium* Ramat.）作为全球四大切花之一，其品质高度依赖栽培过程中的养分管理，其中氮素是影响生长和观赏性状的关键因子。传统氮素状态评估依赖破坏性采样，虽准确但耗时费力，难以实现大规模或实时监测；非破坏性方法如SPAD和高光谱成像则因硬件成本高、操作专业性强而限制了大面积应用。近年来，基于图像的深度学习表型技术为植物生理状态评估提供了高效、非破坏性的高通量手段，但在切花菊氮素诊断中，针对叶片形态参数的全面自动提取与多参数整合分析仍缺乏系统研究。因此，研究人员旨在通过整合语义分割与关键点检测，自动提取切花菊叶片形态参数，并构建机器学习模型以实现氮素供应水平的快速识别。
**研究内容与结论**
本研究以主栽品种‘Jingcheng’为材料，在推荐施肥范围（每株270–330 mg）内设置低氮（178.15 mg/株）、中氮（322.35 mg/株）和高氮（466.55 mg/株）三个处理，于2023年7–10月在云南开远温室进行栽培试验。通过整合PSPNet（Pyramid Scene Parsing Network）语义分割模型和YOLO v11n-pose关键点检测模型，自动提取了10个实测叶片形态参数（如叶长、叶宽、顶裂片长宽等）和9个计算参数（如长宽比、角度参数等），并基于这些参数构建了随机森林、XGBoost和CatBoost三种机器学习分类模型，用于判别氮素供应水平。研究结论表明：计算参数（如叶形长宽比、顶裂片长宽比等）的稳定性显著高于实测参数，且中下部叶片的形态参数在生长周期内波动更小，对氮素处理响应更敏感（8个参数差异显著）；XGBoost模型分类表现最佳，准确率达0.8617，Kappa系数0.7926；顶裂片长度与叶长之比及顶裂片长宽比是氮素判别的最关键特征。该研究为切花菊氮素营养诊断提供了高效、可解释的形态学框架，支持精准养分管理与智能栽培。论文发表在《Smart Agricultural Technology》。
**主要关键技术方法**
研究人员采用以下关键技术：1）基于PSPNet的语义分割模型，对叶片（不含叶柄）和顶裂片区域进行分割，提取掩膜用于计算叶形和顶裂片的长宽比（通过外接矩形计算）；2）基于YOLO v11n-pose的关键点检测模型，检测每片叶子的10个关键点（叶尖、裂片顶端、叶基等），用于计算其余形态参数；3）基于计算参数（长宽比、角度等）构建机器学习分类模型（随机森林、XGBoost、CatBoost），通过特征重要性分析（XGBoost使用增益方法）识别关键判别指标。样本来源：模型训练阶段采集了161个切花菊品种（包括78个自育品种和83个引进品种）的叶片图像，关键点检测数据集包含2,415张单叶图像（来自南京农业大学八卦洲菊花试验基地和湖熟菊花研究基地），语义分割数据集包含1,012张单叶图像（全部来自八卦洲基地）。氮素处理实验的叶片图像仅用于参数提取和模型验证，不参与深度学习模型训练。
**研究结果**
1. **模型分析**
- **语义分割模型**：对比FCN、DeepLab v3、UNet和PSPNet，PSPNet在平均分类准确率（mAcc=0.9926）上最优，且计算量最低（59.21 GFLOPs），实现平衡的分割性能。
- **关键点检测模型**：YOLO v11n-pose在mAP
0.5（0.982）和mAP
0.5-0.95（0.974）上达到最优，参数仅2.73 M，计算量6.9 GFLOPs，优于YOLO v8-pose系列。
2. **叶片形态参数分析**
- **参数提取精度**：随机选取253张测试集图像，所有实测参数的平均相对误差（MRE）均低于2.2%，表明提取框架准确可靠。
- **种内一致性**：计算参数的变异系数（CV≈10%）显著低于实测参数（CV>20%），说明计算参数在品种内更稳定，能有效减小叶片大小差异的干扰。
- **不同叶位稳定性**：中下部叶片（中下位叶）的形态参数在10周生长期内波动更小，CV值普遍低于上部叶片，表明中下部叶片形态更稳定，适合作为氮素诊断目标。
- **氮素处理显著性分析**：单因素方差分析显示，中下部叶片的9个计算参数中有8个在不同氮素水平间差异显著（P<0.05），而上部叶片仅2个参数显著；表明中下部叶片对氮素供应更敏感。
3. **氮素状态分类模型构建**
- 基于中下部叶片8个显著差异参数，构建随机森林、XGBoost和CatBoost模型。XGBoost表现最佳：总准确率0.8617，Kappa系数0.7926，混淆矩阵对角线颜色最均匀。
- 特征重要性分析：所有模型均将“顶裂片长度与叶长之比”和“顶裂片长宽比”列为前两位关键特征，与方差分析结果一致。
**讨论与结论**
讨论部分指出：深度学习模型（PSPNet和YOLO v11n-pose）在标准温室条件下实现了高精度叶片区域分割和关键点检测，有效替代人工测量；但环境异质性（光照、遮挡等）可能影响泛化能力，未来需纳入多环境数据。叶片形态参数中，计算参数稳定性优于实测参数，中下部叶片因发育成熟、氮素再分配累积效应而更适合氮素诊断。方差分析证实了计算参数对氮素水平的敏感性，机器学习模型（尤其是XGBoost）能有效捕捉非线性关系，成功区分氮素供应水平。与SPAD和高光谱方法相比，该方法仅需常规RGB设备，成本低、操作简便，适合温室生产中的常规氮素监测。
**研究结论**（翻译自原文结论部分）：
通过整合PSPNet分割和YOLO v11关键点检测，本研究自动提取了19个叶片形态参数，实现了不同氮素梯度下切花菊叶片的精确定量比较分析。在模型性能方面，PSPNet的平均分类准确率（mAcc）达到0.9926，显著优于其他对比模型；在其他关键分割评估指标上，PSPNet表现出均衡的性能，与其他模型差距微小，为后续叶片形态参数计算奠定了坚实基础。YOLO v11-pose凭借其轻量设计和精确定位机制，在关键点检测中实现了高精度；与YOLO v8-pose相比，在精度指标上保持领先，有效满足叶片形态参数自动提取的要求。对叶片形态和参数的系统分析表明，所构建参数具有较高的种内一致性和稳定性，变异系数普遍低于叶长、叶宽等原始测量值，可靠地反映了品种特征。中下部叶片的形态参数在整个生长期内波动更小，变异系数低于上部叶片，表明形态稳定性更高；此外，这些叶片对氮素处理的响应显著更强，8个计算参数在氮素水平间差异显著。因此，中下部叶片结合了高稳定性和强氮素响应性，被认为是更适合氮素诊断的目标。单因素方差分析表明，多数中下部叶片参数对不同氮素供应水平敏感，差异显著，提示叶片形态参数可作为切花菊氮素状态的有效指标。基于这些参数构建的机器学习模型（随机森林、XGBoost、CatBoost）成功区分了氮素水平，其中XGBoost在准确率、召回率、F1分数和Kappa系数上表现最佳。这些结果进一步验证了叶片形态参数在氮素营养诊断中的价值。
