干旱胁迫是影响杨树生长和产量的主要因素之一。目前高通量植物表型作为一种快速、无损地检测植物生长状况(如水分和养分含量)的工具已被广泛研究。采用计算机视觉与深度学习相结合的方法对干旱胁迫的杨树幼树进行表型分析。栽培4个品种的杨树幼树，采用5种不同的灌溉处理。采集植物样本的彩色图像分析。进行叶片姿态计算和干旱胁迫识别两项任务。通过实例分割提取出叶片、叶柄和中脉区域，创建数据集降低人工标注成本;计算叶柄和中脉拟合线的水平角度，实现叶位数字化。提出多任务学习模型，判断不同杨树品种胁迫水平；叶柄和中脉角度计算的平均绝对误差为10.7°和8.2°。干旱胁迫使叶片水平夹角增大。并且使用原始图像作为样本，多任务MobileNet取得较高精度(品种识别99%，压力水平分类76%)，超过广泛使用的单任务深度学习模型(预测数据集上的压力水平分类精度<70%)。本研究提供的植物表型分析方法可进一步用于杨树抗旱植物筛选和灌溉决策。

图1.提出的杨树植物图像生成方法

图2.杨树干旱胁迫检测的卷积神经网络

(A) 传统的单任务学习模型；(B) 多任务学习模型。

图3.设计的叶片生长姿态计算方法

图4 杨树叶片生长姿态计算结果

(A)和(C)是CK组样本的分割结果和计算的叶片生长姿态，(B)和(D)是MD组样本的分割结果和计算的叶片生长姿态。

图5.叶子姿态计算结果

(A) 叶柄角度计算结果；(B) 中脉角度计算结果；(C) 叶柄角度计算误差分布；(D) 中脉角计算误差的分布。

图6.不同CNN模型和不同建模策略之间的建模性能比较

(A) 验证数据集上的训练损失值;(B) 压力分级准确度值。“S”表示单任务学习“M”表示多任务学

习。