木薯采后生理劣变（PPD）给木薯产业带来了巨大的挑战，造成了巨大的经济损失。本研究旨在通过与木薯育种者合作，开发一个全面的框架来解决这一问题。使用先进的深度学习（deep learning，DL）技术，如分割模型（Segment Anything Model，SAM）和YOLO基础模型（YOLOv7、YOLOv8、YOLOv9、YOLO-NAS），从相机或手机拍摄的RGB图像中准确地对PPD严重程度进行分类。YOLOv8获得了最高的总体平均精度（mAP），为80.4%，在所有三个模型中检测和分类不同的PPD水平方面显示出优越的性能。虽然YOLO-NAS在训练过程中存在一定的不稳定性，但它在检测PPD_0类方面表现出较强的性能，mAP为91.3%。YOLOv7在所有类中表现出最低的性能，总体mAP为75.5%。尽管图像数据中存在相似颜色强度的挑战，但SAM、图像处理技术（如RGB滤色）和机器学习（ML）算法的组合可以有效地去除黄色和灰色部分，显著地将PPD估计的平均绝对误差（MAE）从20.01降低到15.50。此外，基于人工智能（AI）的算法允许对大数据集进行有效分析，从而实现对木薯块根PPD症状的快速筛查。这种方法相比于劳动密集且耗时的人工视觉评分方法要快得多，也更加精简。这些结果突出了使用前沿的AI技术在木薯样品中PPD检测和量化方面的显著进步。YOLO基础模型与SAM和图像处理方法的结合，即使在专家难以区分密切相关类别的场景中，也表现出了很好的精度。这种由人工智能驱动的模型不仅有效地简化了育种前的PPD评估程序，而且提高了木薯育种计划的整体效率，有利于通过控制筛选来选择抗PPD品种。通过提高PPD评估的准确性，本研究有助于实现提高木薯产量、质量和恢复力的更广泛目标，最终支持全球粮食安全。

 

表1 用于PPD评价的木薯试验的描述

 

表2 本研究中使用的注释PPD数据集，分组前和分组后

 

图1  对提出的YOLO基础模型的完整流程进行概述

 

图2  带有PPD评分的木薯切片的真实图像

 

图3  注释过程的演示

a：原始图像；b：注释图像

 

图4  计算PPD百分比时可能采用的分辨率调整方法

a：原始图像；b：应用模糊滤镜；c：应用高分辨率闪光灯；d：模糊和高分辨率方法的结合

 

图5  用于PPD定量的裁剪图像示例

 

图6  PPD图像的RGB处理流程

 

表3 训练、验证和测试标注的数量

 

图7  不同模型的总损失

a：训练损失；b：四个模型的验证损失；c：YOLOv8和YOLO-NAS验证损失的更好视角

 

图8  不同模型的混淆矩阵

a：YOLO-NAS模型；b：YOLOv7模型；c：YOLOv8模型；d：YOLOv9模型

 

图9  使用YOLO-NAS检测PPD结果的一个例子

 

图10  使用YOLOv7的PPD检测结果的一个例子

 

图11  使用YOLOv8的PPD检测结果的一个例子

 

图12  使用YOLOv9的PPD检测结果的一个例子

 

图13  使用SAM去除模型预测的图像的背景

a：从SAM中获得掩模，按预测类别着色；b：利用得到的掩模得到无背景图像

 

图14  RGB和聚类算法测试

a：不去除任何颜色的测试；b：消除黄色部分的测试

 

表4 每种图像处理方法的MAE度量得分

 

表5 每种图像处理方法的MAE度量得分

 

图15  PPD量化在个别切片中的实例（从无背景的图像中提取）

 

来 源

Ayalde DG, Londoño JCG, Mosquera AQ, et al. AI-powered detection and quantification of post-harvest physiological deterioration (PPD) in cassava using YOLO foundation models and K-means clustering. Plant Methods. 2024;20(1):178.

 

编辑

郑静文