了解植物性状对于解码各种基因组的行为及其对环境因素的反应至关重要，从而为高效和可持续的农业实践铺平道路。基于图像的植物表型分析在现代农业研究中越来越受欢迎，可以有效地分析大规模的植物数据。本研究介绍了一种新的高通量植物表型分析系统，旨在通过分割分析来检查植物的生长模式。该系统由两个主要组件组成：(i)植物检测器模块，利用Tiny-YOLOv4 (You Only Look Once)架构，在高通量成像设置中识别单个植物。(ii)使用Chan-Vese分割算法精确地勾勒出已识别植物轮廓的分割模块。使用拟南芥植物物种的顶视图RGB托盘图像测试了所提出的方法。植物检测器模块实现了令人印象深刻的定位精度，达到96.4%，平均IoU为77.42%。此外，分割模块表现出较强的性能，Dice和Jaccard得分分别为0.95和0.91。这些结果突出了该系统准确定义植物边界的能力。研究结果证实了高通量植物表型分享系统的有效性，并强调了采用先进的计算机视觉技术进行精确植物性状分析的重要性。这些技术进步有望提高农业生产力，推进基因研究，促进植物生物学和农业的环境可持续性。

图1  高通量植物表型分析系统框图

图2  YOLOv4 框架

图3  “拟南芥”植物数据集的样本图像。

图4  使用tiny-YOLOv4获得的样本输出。

图5  使用Chan-Vese模型和U-Net架构的分割结果(第一和第二行显示来自A1数据集的数据样本;第三行显示来自A2数据集的数据样本)。

图6 植物在17天内的相对生长。

图7  不同颜色分量的Chan-Vese分割结果。