选育优良甜瓜种质资源对提高甜瓜的适销性起着至关重要的作用。然而，目前的甜瓜表型分析方法主要依赖于专家判断和复杂的人工测量，不仅效率低，而且成本高。为了加快甜瓜的育种进程，本研究基于117个甜瓜品种的图像数据，提出了一个能够高效准确检索甜瓜表型性状深度学习框架。

本文通过整合语义分割模型Dual Attention Network（DANet）、目标检测模型RTMDet、关键点检测模型RTMPose和移动友好型分割模型MobileSAM，构建了高效、准确分割瓜果和瓜蒂的深度学习算法框架，实现了高精度的瓜蒂关键点定位和分割。

结果表明，DANet具有最佳的鲁棒性和准确性，在测试集上F-score为98.33%，优于其他模型。在此基础上，本文设计了一系列基于果实和花梗掩膜信息以及花梗关键点坐标的提取算法，成功获取了甜瓜的11个表型性状。模型预测值与人工实测真值的线性拟合结果显示，Pearson相关系数大于0.8，验证了算法的可行性和准确性。

此外，根据获得的11个表型性状对117个品种进行聚类分析表明，聚类结果与基因型之间具有较高的一致性，从而表征了不同甜瓜品种的遗传特性，有助于优质资源的选择。最后，开发了一个用户友好的软件，实现了甜瓜表型的快速、自动获取，为甜瓜育种提供了一个高效、强大的工具，也为深入研究甜瓜基因型与表型的相关性提供了便利。

图1. 甜瓜表型性状获取的深度学习框架。本研究分为数据采集、模型选择与算法框架构建、表型提取算法提出、软件开发四个阶段

图2. 甜瓜花梗分割的深度学习模型

图3. MobileSAM模型的提示输入选择和甜瓜表型提取算法。(a)四种不同提示输入下MobileSAM模型的分割结果。(b)本研究中使用的比例尺和比例因子的计算。(c)获取甜瓜果实和花梗大小信息的方法。(d)获取瓜皮颜色信息的方法

图4. 瓜果的语义分割结果

图5. MobileSAM对甜瓜花梗的目标检测、关键点检测和分割结果。从上到下依次为：原始图像、目标检测预测结果、关键点检测预测结果、关键点检测两个轴向的热图、SAM分割结果

表1. 聚类分析和线性回归结果。(a)所选甜瓜的横向直径预测值、纵向直径预测值和果实形状指数与人工测量真值的线性回归结果。(b)所有甜瓜品种在所有表型性状上的聚类结果，聚类数为8个类。(c)通过聚类分析得到的8个聚类中每个聚类的代表性图像。(d)第三簇中所有甜瓜品种的图像