基于YOLOv11-SMD的蘑菇菌盖表型提取

《Computers and Electronics in Agriculture》：Mushroom cap phenotype extraction based on YOLOv11-SMD

　　

•实现了蘑菇菌盖直径、圆度、白度和色斑的自动计算。
•通过 StarNet 提高了特征提取性能并降低了模型复杂度。
•使用 DySample 准确还原了蘑菇边缘轮廓和纹理细节。
•通过 C3k2-MAB 利用蘑菇边缘细节增强了对附着物体的分割性能。
•通过 Andrew 单调链算法提高了菌盖轮廓点的定位精度。

引言
在全球食用菌市场中，双孢蘑菇（白蘑菇）因其嫩滑的质地和丰富的营养价值而备受推崇。菌盖大小、颜色、形态和新鲜度等表型参数是决定市场估值的关键因素，也是采收时间点的核心指标。菌盖过大、表面颜色暗淡或结构损伤会大幅降低其商业价值（Atila et al., 2017, Usman et al., 2021）。然而，在当前的工业生产系统中，双孢蘑菇的采收时间点仍依赖人工判断，主要基于人为观察。这种方法主观性强且缺乏量化标准，影响了产品的一致性。同时，劳动密集型的表型检测增加了成本，严重阻碍了生产效率（Lu and Liaw, 2020, Porichis et al., 2023）。此外，不正确的采收时机会导致质量下降和产量损失（Ji et al., 2023）。因此，快速精确识别双孢蘑菇生长状态并获取关键表型参数的方法已成为工业栽培系统中提高产量和质量的核心技术。

近年来，深度学习技术在食用菌图像处理中的应用日益增多，成为蘑菇科学的一个重要研究前沿。这些应用涵盖了物种分类、病虫害识别、形态分割和生长监测等多个领域。在工业蘑菇生产中，配备专用硬件进行表型采集的机器视觉正成为一种高效的自动化检测范式，有望彻底改变生产流程。准确高效的蘑菇与背景分割是表型参数计算的关键第一步，它能减少背景干扰并为后续分析奠定可靠基础。在传统领域，Ji 等人（2021）提出了一种基于分水岭变换的双孢蘑菇检测算法。该算法首先对深度图像进行去噪以增强质量，然后将处理后的深度数据转换为点云。利用图像和点云信息，可以精确推导每个边缘点的世界坐标。随后应用霍格变换计算菌盖位置和直径，实现了有效的蘑菇检测和定位。Yang 等人（2022）引入了一种多特征融合分割与识别算法。该方法首先通过全局梯度阈值分割结合形态学滤波来优化目标区域提取，有效增强目标显著性。随后，利用 Canny 边缘检测和凹凸区域分析进一步细化轮廓特征，使蘑菇轮廓更加清晰可辨。此外，采用 Harris 角点检测精确定位分割点，并引入分支定义算法来合并碎片化的轮廓段。最后，通过曲率自适应最小二乘椭圆拟合和最小距离圆拟合策略，重建完整的蘑菇轮廓，从而实现精确的分割和识别。Retsinas 等人（2023）提出了一种基于多视角点云的三维蘑菇检测方法。该方法始于平面分割和多视角配准技术的结合，有效消除冗余信息并优化数据结构。随后，利用快速点特征直方图（FPFH）特征结合 K-Medoids 聚类算法，实现准确的蘑菇分割。然而，这些方法存在关键局限性，包括对环境光照波动的敏感性、果实重叠和簇生场景，这会大幅降低分割的鲁棒性。此类弱点导致田间适应性差，限制了其在实际生产环境中的实用性。

尽管传统的机器学习方法，如贝叶斯分类器和支持向量机，已被应用于子实体检测，但它们在处理高维特征时表现出明显的局限性。因此，其分割性能无法满足实际生产应用的要求。近年来，基于深度学习的目标识别算法在食用菌图像处理中被广泛采用，主要分为两类：单阶段和两阶段框架。以 R-CNN 系列（Girshick et al., 2014）为代表的两阶段算法——包括 Fast R-CNN（Girshick, 2015）、Faster R-CNN（Ren et al., 2017）和 Mask R-CNN——首先生成候选区域，然后执行目标分类和实例分割。相比之下，SSD（Liu et al., 2016）和 YOLO 系列（Redmon et al., 2016, Redmon and Farhadi, 2017, Redmon and Farhadi, 2018, Bochkovskiy et al., 2020）等单阶段算法直接利用神经网络同时完成特征提取、目标分类和定位。例如，Rong 等人（2021）使用改进的 SSD 卷积神经网络结合双目深度相机，在三维空间中实现了对平菇的准确识别和定位，为平菇的自动化采摘提供了技术支持。YOLO 系列以其高效的架构和高速的推理速度而闻名，已成为实时检测的主流选择。Moysiadis 等人（2023）基于 YOLOv5 模型有效检测了蘑菇生长阶段并识别了采收时间点。Xu 等人（2024）提出了 YOLOv5seg-BotNet 模型，通过引入 BoTNet 骨干网络和全局自注意力机制来增强特征提取，使用 PANet 进行多尺度特征处理，并利用 Varifocal Loss 优化样本权重，实现了对香菇子实体的精确分割。Xie 等人（2025）调整了基于 YOLO 的模型用于分割金针菇，在抓取区域分割中实现了 74.3% 的 mAP@0.5:0.95，同时保持了较高的推理速度。Yang 等人（2024）提出了一种基于改进 SOLOv2 的高精度轮廓分割算法。通过在上采样过程中集成 PointRend 模块，该方法引入了细粒度特征以细化分割细节，解决了密集重叠蘑菇准确分割的挑战。Tao 等人（2024）提出了一种基于单目视觉和蘑菇柄与蘑菇之间生长关系的 ReYOLO-MSM 评估方法。该方法通过引入旋转椭球体框架检测香菇菌盖数量来改进 ReYOLO 模型，并结合几何推导和统计回归获得菌盖大小、圆度以及合格蘑菇的比例。总之，虽然大多数现有研究专注于提高分割性能，但往往导致模型尺寸过大、参数过多且计算复杂度高，而忽视了蘑菇栽培设施中的实际部署约束。同时，大多数现有研究主要专注于蘑菇目标与背景区域之间的像素级分割，而基于高精度分割掩膜自动测量和量化分析关键表型参数（如菌盖直径、菌柄高度、表面积和生长形态）的方法仍然有限。此外，目前仍缺乏能够应对工业温室环境中复杂光照变化和蘑菇密集堆叠引起的严重遮挡的鲁棒测量框架。因此，在复杂工业栽培条件下，蘑菇实例分割后表型参数的自动测量和鲁棒表征的系统研究框架仍探索不足。

为满足工业双孢蘑菇栽培中自动化表型检测的实际需求，本研究提出了一种名为 YOLOv11-SMD 的轻量级实例分割模型，该模型由 YOLOv11n-Seg 改进而来。引入了几项修改以克服原模型的局限性，包括高计算负担、对蘑菇菌盖特征表征能力不足以及特征图重建效率有限。这些修改有效提高了检测和分割性能，同时减少了参数数量和计算复杂度。

此外，建立了一个针对双孢蘑菇表型表征的系统性量化框架，并对潜在误差来源进行了多维度分析。这些来源包括环境光照变化、数据采集偏差和固有算法局限性，从而为后续的模型优化和参数校准提供了理论基础。

章节片段
材料与方法
双孢蘑菇图像采集于位于浙江省嘉兴市桐乡市的龙辰现代农业科技有限公司的蘑菇栽培室。使用微软 Azure Kinect DK 飞行时间（ToF）深度传感器进行垂直图像采集。该相机非常适合蘑菇栽培床上方有限的空间；配备环形光源时，它提供了均匀的照明并最大限度地减少了阴影。图像采集系统是
消融实验
设计了五项消融实验来评估改进效果。所有实验均使用相同的硬件和数据集以确保可靠性和可比性。采用统一的训练策略和一致的超参数进行公平比较，包括输入分辨率、批量大小、优化器类型、学习率和训练轮数。基准超参数配置基于 YOLOv11 的默认设置，并根据目标大小、数据集规模和 GPU 内存限制进行了调整。之后

讨论
尽管现有研究主要集中在提高分割性能上，但相对较少关注模型轻量化设计、资源受限部署以及实例分割后的自动表型量化。本研究通过提出 YOLOv11-SMD，在分割性能、推理效率和模型紧凑性之间实现了有效的权衡，并开发了一套系统性的结论，从而迈向解决这些问题迈出了一步。

结论
本研究解决了工业双孢蘑菇生产中人工表型评估存在的主观性强、成本高和效率低等挑战。提出了一种名为 YOLOv11-SMD 的轻量级实例分割模型，基于 YOLOv11n-Seg，并建立了一套量化双孢蘑菇表型参数的系统框架。该方法实现了对生长状态的快速准确评估和关键表型参数的自动提取。

实验 CRediT 作者贡献声明
Yang Zhou：写作 – 审阅与编辑，验证，监督，软件，项目管理，数据整理，概念化。
Quanlong Miao：写作 – 原稿，验证，软件，方法论，调查，形式分析，数据整理。
Yuefeng Chen：验证，监督，项目管理，方法论，调查，概念化。
Jiajia Yu：可视化，验证，项目管理，方法论，调查，概念化。

利益冲突声明
作者声明他们没有已知的竞争性财务利益或个人关系，这些关系可能会影响本论文中报告的工作。

致谢
中央农机研发制造推广应用一体化试点项目（2024009），浙江省“尖兵”、“领雁”研发攻关计划（2023C02028, 2021C02038）。，国家重点研发计划（2024YFD2000700）。资助方在研究设计、数据收集和分析、发表决定或稿件准备中没有发挥作用。

Yang Zhou|Quanlong Miao|Yuefeng Chen|Jiajia Yu