编辑推荐：
**目的**：准确测量玉米茎秆直径对于评估植株健壮性、抗倒伏能力及收获性能至关重要，但在不断变化的作物条件下实现自动化测量仍具挑战性。本研究评估了地面立体视觉系统能否在从仲夏至衰老期的整个生长季节中可靠地估算茎秆直径。
**方法**：采用搭载双AR0234全局
**目的**：准确测量玉米茎秆直径对于评估植株健壮性、抗倒伏能力及收获性能至关重要，但在不断变化的作物条件下实现自动化测量仍具挑战性。本研究评估了地面立体视觉系统能否在从仲夏至衰老期的整个生长季节中可靠地估算茎秆直径。
**方法**：采用搭载双AR0234全局快门相机的立体视觉处理流程，并将其部署于自主地面机器人上。YOLOv8提供茎秆定位与姿态校正，BoT-SORT实现多帧跟踪，U-Net分割结合边缘掩膜策略在部分遮挡条件下提取茎秆边界。对逐帧重复获取的宽度估计值进行滤波，并利用基于视差的标定转换为物理尺寸。视觉估计值与垂直游标卡尺测量值进行比较。
**结果**：在叶片干扰极小的仲夏条件下，该系统实现了1.1–1.5 mm的平均绝对误差（MAE）和0.90的r2值。在季节末期的衰老阶段，叶鞘扩张和遮挡导致系统性直径高估及精度下降。应用约3.8 mm的季节偏移量后，MAE降至约1.3 mm，但相关性仍然有限（r2 ≈ 0.41）。独立的人工测量也表现出变异性，评估者间r2 ≈ 0.77，平均差异约为1.0 mm。
**结论**：立体视觉在有利的冠层条件下能够提供准确的、非接触式的玉米茎秆直径测量，并在整个作物生命周期内保持可行性。然而，稳健的季节末期表型分析需要改进叶鞘和遮挡的建模方法，并建立更可靠的地面真值测量流程。
玉米茎秆直径估算的深度学习研究解读——发表于《Precision Agriculture》
**一、研究背景与意义**
玉米作为全球农业和经济中的重要作物，其产量提升依赖于种植技术、遗传改良等多方面进步。作物表型分析作为连接基因型与表型的关键环节，对选育具有优良性状的品种具有重要意义。茎秆直径作为玉米的重要农艺性状，与植株产量潜力、抗倒伏能力及收获效率密切相关。较粗的茎秆通常意味着植株更为健康，抗倒伏性更强，从而延长收获窗口期。此外，茎秆直径直接影响切割所需的能量，对于联合收割机的设计具有重要参考价值。然而，传统的人工游标卡尺测量方法劳动密集、效率低下，难以满足大规模田间表型分析的需求。
尽管已有研究尝试利用LiDAR、立体视觉、RGB-D深度相机等技术进行茎秆直径的自动化测量，但现有方法多局限于小规模或受控条件，如温室环境、幼苗期或遮挡较少的生长阶段。在实际田间条件下，特别是生长季后期（R5和R6阶段），密集的叶片覆盖、植株相互交织以及多变的田间光照使得茎秆直径的准确测量面临严峻挑战。LiDAR方法在真实田间条件下受密集枝叶引起的遮挡和点云噪声影响严重，且传感器成本较高；虽然部分立体视觉方法已实现较高精度，但多需要人工干预或仅适用于相对均一的作物。因此，开发一种能够在整个生长季节、特别是收获前关键时期，实现高通量、非接触式茎秆直径测量的方法具有重要的研究意义和应用价值。
**二、研究内容与主要结论**
本研究针对上述问题，旨在开发一套能够跨越整个生长季节测量茎秆直径的高通量处理流程。研究人员构建了一套基于地面自主机器人OSCAR的立体视觉系统，该系统搭载双AR0234全局快门相机，通过集成YOLOv8目标检测、BoT-SORT多目标跟踪、U-Net语义分割及基于视差的尺度转换等算法，实现了对玉米茎秆直径的自动化估算。研究结果显示，在仲夏冠层条件下（生长阶段R1至R4），该系统表现优异，与人工测量相比，平均绝对误差（MAE）为1.1–1.5 mm，决定系数r2达到0.90，性能与已有先进方法相当。然而，在收获前期（R5和R6阶段），叶鞘扩张和遮挡导致直径出现系统性高估，精度显著降低。通过应用约3.81 mm的季节偏移量校正后，MAE降至约1.3 mm，但r2仅为0.41。研究同时发现，人工测量本身也存在约0.99 mm的平均差异（评估者间r2≈0.77），表明地面真值的不确定性也是影响模型精度评估的重要因素。该项研究的核心贡献在于，首次系统地评估了立体视觉技术在玉米整个生长周期内进行茎秆直径测量的可行性，明确指出了季节后期叶鞘膨胀对测量的干扰机制，并提出了基于季节偏移的校正策略。研究结果对于推动田间高通量表型分析技术的发展具有重要意义，为作物遗传改良和精准农业管理提供了技术支持。
**三、关键技术方法**
本研究采用的主要技术方法包括：使用立体视觉相机采集田间图像数据；利用YOLOv8目标检测器实现茎秆定位与姿态估计；采用BoT-SORT算法进行多帧跟踪；使用U-Net语义分割模型结合边缘掩膜策略提取茎秆边界；基于双目视差原理建立像素到物理尺寸的转换模型。研究数据采集于2023年6月至11月，地点为美国印第安纳州西拉法叶附近的农学研究中心（ACRE），测试样本取自四个商业化玉米品种（Pioneer P1383AM、Pioneer P1222AM、Pioneer P0953AM、Brevant 06V25AM），共获得1,151个有效茎秆样本用于模型评估。算法处理流程通过Python 3.11实现，图像操作基于OpenCV库完成。
**四、研究结果分析**
**相机评估**：研究人员对三款立体相机（Zed 2i、RealSense D455和AR0234）进行了模糊度比较测试，结果显示AR0234相机凭借高分辨率和全局快门的组合优势，在静态和运动状态下均表现出较好的边缘清晰度，最终被选为数据采集传感器。
**目标检测性能**：YOLOv8检测器在仲夏和晚夏茎秆测试集上的mAP-50分别达到0.987和0.952，能够识别图像中几乎所有茎秆。姿态估计的MAE为1.07度，但角度校正对宽度估计精度的提升不足1%，表明茎秆倾斜对测量结果的影响有限。
**分割性能**：在FCN、U-Net和SegFormer三种语义分割架构的比较中，U-Net展现出最优的损失性能，因此被选入处理流程。与人工分割结果相比，U-Net模型对茎秆边缘的正确识别率达87%，MAE为2.43像素（对于典型茎秆直径约相当于1.02 mm的误差）。当测试数据集加入人工模糊处理后，MAE从1.02 mm升至1.52 mm，说明图像模糊对分割精度有显著影响。
**茎秆几何形状影响**：对35根去鞘茎秆的节点和节间直径进行比较，节点直径比节间直径平均大0.1098 mm（配对t检验，p<0.001），且节点与节间直径的回归斜率（β=1.225±0.062）显著大于1，表明节点增粗速度不成比例地快于节间。受此影响，若将节点区域纳入测量，会使直径估算值平均增加0.15 mm，但相对于其他误差来源可忽略。此外，茎秆横截面呈椭圆形，平行与垂直于行方向的测量值之间的平均绝对差异达2.05 mm，且两者相关性极低（r2=0.152），说明测量角度对结果具有决定性影响。
**叶鞘包裹效应**：在9月中旬对35根茎秆进行的对比实验表明，未压缩叶鞘的测量值比压缩后的测量值平均大0.0939 mm（配对t检验，p<0.000001），且两者虽呈线性相关（r2=0.706），但回归斜率（β=0.842±0.064）显著低于1，说明叶鞘膨胀效应虽然具有可预测性，但对粗茎秆的膨胀比例略有降低。
**置信度阈值调整**：通过调整最小检测次数阈值，可以权衡模型的评估覆盖面与精度。当阈值设为150次检测时，仅2%的茎秆被纳入评估，但r2可提升至0.805。本研究选取最少3次检测作为阈值，以在保证样本覆盖的同时排除低置信度估计。
**仲夏模型精度**：对38根茎秆的测试显示，模型与人工测量相比MAE为1.09 mm，r2达0.901，验证了该系统在理想冠层条件下的有效性。
**收获前精度**：在11月对1,151根茎秆的评估中，模型的MAE为3.76 mm，误差主要归因于叶鞘包裹。应用3.81 mm的季节偏移后，MAE降至1.3 mm，但r2仅为0.4114。此外，与两名独立测量者的比较显示，模型与测量者1的MAE为4.44 mm（校正后2.61 mm，r2=0.30），与测量者2的MAE为4.36 mm（校正后2.77 mm，r2=0.30）。值得注意，人工测量者之间的平均差异已达0.993 mm（r2=0.773），这一人类测量不确定性对模型精度评估产生了明显影响。
**模型速度**：YOLOv8检测器与跟踪器在Ryzen 5 5500U CPU上可实现15帧/秒的处理速度，但U-Net分割模型在CPU上每茎秆每帧需约2秒，限制了实时处理能力，因此视频需先录制后离线处理。通过降低分析帧率或图像分辨率可成比例提升处理速度，实现近实时分析。
**五、讨论与结论**
本研究表明，基于立体视觉的自动化系统在玉米活跃生长期能够实现与人工测量相当的茎秆直径估算精度，具有支持高通量田间表型分析的潜力。传感方向对测量精度具有决定性影响，茎秆几何形状的生物学变异性（如长短轴差异）意味着单一角度的视觉测量与不同角度的人工测量之间天然存在偏差。在衰老期，叶鞘膨胀导致的系统性高估可通过统一季节偏移进行部分校正，但相关性的显著下降表明，该阶段的测量鲁棒性同时受限于传感器可见性和人工参考测量的不确定性。因此，应用统一校正因子需谨慎，仅在叶鞘膨胀行为可预测的条件下使用。未来研究应着重于叶鞘行为的显式建模、地面真值测量流程的标准化以减少评估者间差异，以及集成多角度或主动形变传感技术以区分茎秆几何与植株可塑性。通过采用更轻量化的模型架构和机载加速硬件，该系统有望实现大规模的田间机器人表型分析。
