摘要
准确且无损的干旱胁迫评估对于提高生菜产量和支持及时的作物管理具有重要意义。本研究提出了一种基于俯视图RGB图像的深度学习框架，用于对水培生菜进行植株级别的干旱胁迫评估。研究进一步探讨了冠层分割是否可以通过减少无关背景信息来提高分类性能。该框架使用在三个独立培养周期中收集的2190张图像进行评估，其中通过将植株根区与营养液隔离来诱导干旱胁迫。在第一阶段，基于YOLO的目标检测被用于定位单株植物，其中YOLO26m实现了最高的检测性能，mAP@0.5达到99.4%。检测到的区域随后被用作零样本冠层分割的空间提示，使用Segment Anything Model（SAM）进行分割，其中SAM ViT-B实现了0.9864的平均IoU。然后，独立评估了六种卷积、基于Transformer和混合的分类架构，分别使用YOLO裁剪和SAM分割的植株图像作为输入。分割输入始终改善了分类性能，其中MaxViT-S实现了96.3%的最高二分类测试准确率。该框架进一步区分了时间定义的胁迫前期、早期胁迫和晚期胁迫阶段，准确率为92.4%。利用六折留一植株交叉验证进一步评估了植株级别的泛化能力，在未见过的植株上实现了90.25 ± 1.78%的平均测试准确率。这些发现表明，基于RGB的植株级别分析可以支持无损的干旱胁迫评估，并且冠层分割可以通过减少背景影响来改善分类效果。
