在农业中，植物表型是评估一系列植物性状的关键过程，这些性状对作物管理和改良至关重要，如植物高度、叶面积、开花时间和抗病性。植物表型分析中采用的传统方法经常遇到重大挑战，包括耗时的程序，数据处理效率低下，易受环境变化的影响。这些限制阻碍了有效农业实践所需的准确性和可扩展性。为了解决这些问题，本文介绍了混合U掩膜区域卷积鹈鹕搜索(Hybrid U Mask Regional Convolutional Pelican Search，HUMRC-PS)方法作为植物表型分析的一种创新方法。这种方法利用先进的技术来克服传统技术的缺点。具体来说，HUMRC-PS利用基于掩模区域的卷积神经网络(Region-based Convolutional Neural Networks，RCNN)，一种复杂的深度学习架构，在图像中准确分割植物区域。通过从复杂的背景中精确地描绘植物特征，RCNN能够对叶子形态、颜色变化和总体大小等关键属性进行集中分析。此外，与另一个深度学习框架U-net的集成，增强了该方法从植物图像中捕获局部和全局特征的能力。这种能力对于全面的性状测量和分析至关重要，因为它确保了表型过程中细致入微的细节和更广泛的特征。此外，HUMRC-PS将鹈鹕优化与交叉策略相结合，对其内部参数进行微调，优化模型性能。该方法不仅提高了植物性状鉴定的准确性和效率，而且有助于提高该方法在不同农业情景和环境条件下的适应性。通过对植物表型定制的图像数据集进行严格的实验，该研究验证了HUMRC-PS的有效性。它使用一系列评估指标来评估方法的性能，与现有方法相比，显示出具有98.76%准确率的优越结果。这一验证强调了HUMRC-PS通过提供更精确、高效和可扩展的解决方案，显著推进植物表型分析实践的潜力。通过超越传统方法的局限性，HUMRC-PS通过加强对植物性状的理解和表征，为提高农业生产力、疾病管理和育种计划提供了有希望的机会。

图1  所提出方法的工作流程示意图。

图2  数据集V1的样本图像。

图3  提出的HUMRC-PS方法流程图。

图4  HUMRC-PS方法的检测精度和平均置信值。

图5  HUMRC-PS法的生长发育指数。

图6 精度、召回、特异性分析。

图7   F1分数的图形表示和AUC曲线。

图8  均方误差(MSE)和均方根误差(RMSE)分析。