在農(nóng)業(yè)中，植物表型是評估一系列植物性狀的關(guān)鍵過程，這些性狀對作物管理和改良至關(guān)重要，如植物高度、葉面積、開花時間和抗病性。植物表型分析中采用的傳統(tǒng)方法經(jīng)常遇到重大挑戰(zhàn)，包括耗時的程序，數(shù)據(jù)處理效率低下，易受環(huán)境變化的影響。這些限制阻礙了有效農(nóng)業(yè)實踐所需的準(zhǔn)確性和可擴(kuò)展性。為了解決這些問題，本文介紹了混合U掩膜區(qū)域卷積鵜鶘搜索(Hybrid U Mask Regional Convolutional Pelican Search，HUMRC-PS)方法作為植物表型分析的一種創(chuàng)新方法。這種方法利用先進(jìn)的技術(shù)來克服傳統(tǒng)技術(shù)的缺點。具體來說，HUMRC-PS利用基于掩模區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(Region-based Convolutional Neural Networks，RCNN)，一種復(fù)雜的深度學(xué)習(xí)架構(gòu)，在圖像中準(zhǔn)確分割植物區(qū)域。通過從復(fù)雜的背景中精確地描繪植物特征，RCNN能夠?qū)θ~子形態(tài)、顏色變化和總體大小等關(guān)鍵屬性進(jìn)行集中分析。此外，與另一個深度學(xué)習(xí)框架U-net的集成，增強(qiáng)了該方法從植物圖像中捕獲局部和全局特征的能力。這種能力對于全面的性狀測量和分析至關(guān)重要，因為它確保了表型過程中細(xì)致入微的細(xì)節(jié)和更廣泛的特征。此外，HUMRC-PS將鵜鶘優(yōu)化與交叉策略相結(jié)合，對其內(nèi)部參數(shù)進(jìn)行微調(diào)，優(yōu)化模型性能。該方法不僅提高了植物性狀鑒定的準(zhǔn)確性和效率，而且有助于提高該方法在不同農(nóng)業(yè)情景和環(huán)境條件下的適應(yīng)性。通過對植物表型定制的圖像數(shù)據(jù)集進(jìn)行嚴(yán)格的實驗，該研究驗證了HUMRC-PS的有效性。它使用一系列評估指標(biāo)來評估方法的性能，與現(xiàn)有方法相比，顯示出具有98.76%準(zhǔn)確率的優(yōu)越結(jié)果。這一驗證強(qiáng)調(diào)了HUMRC-PS通過提供更精確、高效和可擴(kuò)展的解決方案，顯著推進(jìn)植物表型分析實踐的潛力。通過超越傳統(tǒng)方法的局限性，HUMRC-PS通過加強(qiáng)對植物性狀的理解和表征，為提高農(nóng)業(yè)生產(chǎn)力、疾病管理和育種計劃提供了有希望的機(jī)會。

圖1  所提出方法的工作流程示意圖。

圖2  數(shù)據(jù)集V1的樣本圖像。

圖3  提出的HUMRC-PS方法流程圖。

圖4  HUMRC-PS方法的檢測精度和平均置信值。

圖5  HUMRC-PS法的生長發(fā)育指數(shù)。

圖6 精度、召回、特異性分析。

圖7   F1分?jǐn)?shù)的圖形表示和AUC曲線。

圖8  均方誤差(MSE)和均方根誤差(RMSE)分析。