本文提出了一种利用大爆炸（BBBC）算法优化植物表型自动分析 U-Net 架构的新方法。BBBC 算法通过微调超参数和优化网络权重来优化 U-Net 架构。BBBC 算法以其在复杂优化问题中高效搜索最优解的能力而著称，它提供了一个功能强大的框架，可专门针对植物表型任务提高 U-Net 模型的性能。我们将 BBBC-U-Net 模型的性能与原始 U-Net 以及植物表型分析中常用的其他先进的深度学习模型进行了比较。利用准确率、精确度、召回率和 F1 分数等各种评价指标来全面评估模型的性能。研究结果证明了 BBBC-U-Net 模型在植物表型任务自动化中的有效性。与原始 U-Net 和其他现有模型相比，优化后的模型性能更优。研究结果凸显了 BBBC-U-Net 模型革新植物表型及其在植物育种、作物改良和精准农业中广泛应用的潜力。

图1 PlantCLEF 数据集中的植物叶片图像样本。

图2 用于植物图像分割的 U-Net 架构。

图3 使用 BBBC 算法的 U-Net 优化过程。

图4 优化过程的收敛性。

图5 BBBC-U-Net 模型的 Dice 系数。

图6 所提出方法的参数训练和验证损失（左）、参数训练和验证精度（右）。