深度学习算法通过图像分析实现木薯品种（Manihot esculenta Crantz）的准确识别

《Frontiers in Plant Science》：Deep learning algorithms enable accurate identification of cassava varieties (Manihot esculenta Crantz) using image analysis

　　

深度学习是一种新兴的、强大的技术，可促进植物科学中的物体检测，通过图像分析实现疾病诊断以及植物物种和作物品种的识别等应用。在本研究中，研究人员证明了深度学习算法在通过图像分析识别坦桑尼亚发布的木薯品种（TARICASS4、Kiroba和Mkuranga1）中的成功应用。使用来自三个品种的木薯植株叶片、叶柄和茎的19,800张图像数据集，训练了三种深度学习算法（YOLO v8、SSD-MobileNet v2和Faster R-CNN with ResNet-50）。训练后的算法在利用三个植物部位中的每一个识别木薯品种时均取得了有前景的性能（平均精度均值在IoU阈值为0.5时，mAP50≥85.7%），其中叶片记录的最高值（mAP50≥92.7%）。在三种模型中，YOLO v8模型在三个植物部位上均表现出持续有前景的性能，叶片的mAP50为97.3%。来自混淆矩阵的进一步发现证实了YOLO v8在叶片上的优越性能，三个品种中的每一个性能均≥98%。YOLO v8在所有品种的茎和叶柄上也取得了高水平的性能。研究人员的结论证实，深度学习模型可有效应用于基于人工智能（AI）的田间生长木薯识别。为木薯开发的方法具有扩展到其他木薯品种以及其他无性繁殖作物（Vegetatively Propagated Crops, VPC）的潜力，并可被种子生产者和监管机构使用，他们可从用于验证品种“真实类型（true-to-typeness）”的田间可用工具中受益。

木薯（Manihot esculenta Crantz）是一种富含淀粉的块根作物，为全球超过8亿人提供食物，通常通过茎插条或分生组织等无性繁殖方式进行繁殖。品种鉴定传统上依赖形态学特征（如叶片形状、叶柄颜色、茎色等），但人工鉴定耗时且易出错，尤其在种子认证过程中验证品种“真实类型（true-to-typeness）”时。深度学习（Deep Learning, DL）技术通过图像分析在植物科学中显示出巨大潜力，但针对木薯品种识别的研究有限，且多数研究在受控环境下进行，对田间种子认证的适用性不确定。因此，研究人员假设基于卷积神经网络（Convolutional Neural Network, CNN）的目标检测模型可通过叶片、叶柄和茎的形态图像特征区分木薯品种，并考察不同植物部位和模型架构的性能差异。本研究使用三种深度学习算法（YOLO v8、SSD-MobileNet v2和Faster R-CNN with ResNet-50）训练于19,800张田间采集图像，识别坦桑尼亚正式种子系统中注册的三个品种（TARICASS4、Kiroba和Mkuranga1）。结果表明，所有模型在叶片上表现最佳（mAP₅₀≥92.7%），其中YOLO v8在叶片上达到97.3%的mAP₅₀，混淆矩阵显示每个品种识别率≥98%；在茎和叶柄上也表现良好。该研究证实了深度学习在田间木薯品种识别中的可行性，为种子认证提供了高效工具，并可扩展至其他无性繁殖作物。论文发表在《Frontiers in Plant Science》。

**关键技术方法**：
样本来源为坦桑尼亚沿海和湖区种子田（约1公顷，1m×1m间距），6个月龄健康植株。使用Nikon D3200数码相机采集叶片、叶柄和茎图像，每品种每部位2,200张，共19,800张。图像预处理：resize至480×480像素，用计算机视觉标注工具（CVAT）绘制边界框。数据集按8:1:1（训练:验证:测试）划分。模型训练采用迁移学习，预训练于COCO（Common Objects in Context）数据集权重，微调所有层。超参数：学习率0.005，批次大小16，训练35个epochs，数据增强包括尺度变化（0.4）、随机旋转（±15°）、亮度（0.4）、饱和度（0.6）和色调（0.015）。评估指标包括平均精度均值（mAP₅₀、mAP_50-95）、精确率、召回率、F1-score和混淆矩阵。

**研究结果**：
**3.1 所有类别（品种）的模型总体性能**：所有模型在叶片上mAP₅₀≥92.7%，YOLO v8在所有植物部位上mAP₅₀和mAP_50-95均优于其他模型，除叶柄处Faster R-CNN ResNet-50的mAP_50-95（69.9%）略高于YOLO v8（65.6%）。YOLO v8在精确率、召回率和F1-score上也整体表现最佳。茎部在mAP_50-95上表现较好（≥81.4%），叶柄最低（≤69.9%）。
**3.2 基于混淆矩阵的CNN模型比较性能**：叶片数据集上，YOLO v8识别三个品种的正确率均≥98%（TARICASS4达99%，Kiroba和Mkuranga1达98%）；SSD-MobileNet v2正确率在95%-97%之间，Faster R-CNN ResNet-50在86%-90%之间。叶柄数据集上，YOLO v8对Kiroba和Mkuranga1识别率分别为87%和93%；Faster R-CNN ResNet-50对TARICASS4识别率最高（88%）。茎数据集上，YOLO v8对Kiroba（92%）和TARICASS4（86%）识别率最高，Faster R-CNN ResNet-50对Mkuranga1识别率略高（88%）。模型在Mkuranga1和TARICASS4之间出现混淆，因其形态相似。

**讨论与结论**：
讨论部分指出，叶片因具有更多形态特征（如叶脉模式、颜色、形状等）而利于模型学习，而茎部在严格IoU阈值下定位更准确，叶柄因较窄且特征有限而表现较差。YOLO v8因单阶段无锚点架构和增强特征金字塔网络（Feature Pyramid Network, FPN）与路径聚合网络（Path Aggregation Network, PAN）的集成，在区分形态相似品种时更具优势。模型性能受品种形态相似性影响，SSD-MobileNet v2在区分Mkuranga1和TARICASS4时更困难。研究结论翻译如下：总之，本研究代表了基于人工智能（AI）的木薯品种鉴定的关键初始步骤，证明了使用深度学习算法准确识别木薯品种的可行性。该研究为未来在木薯种子系统中使用深度学习算法验证真实类型提供了基础见解，注意到YOLO v8在木薯品种鉴定中的良好性能。研究结果还强调了叶片是实现品种鉴定最高性能的最具信息量的植物部位。这种基于深度学习的品种鉴定方法也可能是一种更有效和准确的方法，用于识别品种间难以用肉眼识别的细微差异（隐藏模式）。