图1  所提出的蓝莓果实表型分析工作流程图，包括四个阶段:数据收集、训练数据集生成、模型训练和表型性状提取。

图2  位于佛罗里达州Citra的蓝莓田概述。(a)谷歌地图上的地理位置；(b)实地第2行和第3行的正射影像，这些影像是使用移动平台专门瞄准和扫描的。

图3  田间机器人表型分析平台和数据采集。(a)带有多视角成像系统的地面机器人；(b)-(d)平台捕获的俯视图、左视图和右视图(FLR 14–442的基因型)的示例。

图4  不同成熟期浆果的自动像素标签生成流程图。(a)来自先前检测数据集的边界框；(b)使用成熟度分类器将边界框重新分类为三类：未成熟(黄色)、半成熟(红色)和成熟(蓝色)；(c)使用SAM模型生成的逐像素掩码标签。

图5  聚类检测数据集生成的图示。（a） 来自像素级水果分割数据集的可视化示例（基因型：FLR14-442，黄色、红色和蓝色掩码分别表示未成熟、半成熟和成熟的浆果。（b） 聚类提取方法的结果是，红框是基于二值化浆果区域提取的聚类;（c） 手动校正后的最终聚类注释。

图6  BerryNet 体系结构的图示。它包含三个主要增强功能：1） 增强 P2 层以更好地捕获小对象的特征;2） 实现 BiFPN 以改进特征融合，以及 3） 用更高效的 C2f 更快的块替换 C2f 块以加速推理。

图7  （a） 原始 C2f 模块和 （b） 改进的 C2f-faster 模块之间的比较。在 C2f-faster 模块中，FasterNet Block 取代了 Bottleneck 块。FasterNet Block 中的 Pconv 选择性地仅处理输入通道的子集 cp，使用常规卷积进行空间特征提取，同时保持其余通道不变。

图8  簇紧凑度计算图示。从左到右：使用 BerryNet 预测的水果簇的粗略区域；由聚类区域内的水果掩膜分布定义的最小封闭矩形；以及簇紧凑度的计算。

图9  水果距离计算图示。左图是在田间收集的原始图像片段，右图是每种浆果的最近邻的可视化。蓝点是中心点，红线连接它们相应的最近邻域。

图10  水果成熟度分类器的评估。（a） 混淆矩阵;（b） 预测案例示例。主要失败源于其他水果或叶子引起的遮挡、以低分辨率或低对比度为特征的图像质量差以及手动注释不准确。

图11  手动注释和预测的掩码与 SAM模型的比较：（a） 和 （c） 是手动注释的蓝莓掩码（地面实况）;（b） 和 （d） 是来自自动像素标签生成方法的蓝莓掩码。黄色、红色和蓝色面膜分别代表未成熟、半成熟和成熟的蓝莓。

图12  使用 BerryNet 实现水果聚类检测和水果分割的可视化。（a）-（d） 是同一植物不同视图的可视化示例：（a） 和 （b） 来自俯视图，而 （c） 和 （d） 来自侧视图。红色矩形表示预测的果实簇;黄色、红色和蓝色掩码分别代表对未成熟、半成熟和成熟浆果的预测，标记为“im”、“se”和“ma”。

 图13  蓝莓簇提取结果图示（基因型：FLR-13-218）。从左到右分别是顶视图、左视图和右视图的提取结果。顶部图像是浆果和果簇的二进制掩码，而底部是原始图像的可视化。

图14  使用 BerryNet 跨单视图或多视图方法评估产量估算。（a） 使用来自单视图或多视图的预测水果计数进行水果计数回归;（b） 使用来自单视图或多视图的预测聚类计数的水果计数回归;（c） 三个视图的蓝莓可见性比较。带星号 （*） 的植物于 2023 年 4 月 12 日收获，其他植物于 2023 年 5 月 9 日收获。

图15  使用 BerryNet 评估成熟度估计。用于成熟率估计的单/多视图的线性回归。

  图16  不同基因型之间簇级紧凑度的比较。（a） 26 株植物之间簇级紧凑度的箱线图;从左到右，集群级别的紧凑度变小，这意味着较低的紧凑度。方框上方的红色标签是重要字母。（b） 来自不同植物的集群级紧凑度示例。

图17  不同基因型之间的果实距离比较。（a） 果实距离：从左到右，果实距离变小，这意味着密度更高。方框上方的红色标签是重要字母。（b） 果实距离的可视化：从左到右，果实距离变小，意味着更高的紧凑度。

 图18  FLR13-218植株水平和簇水平表型性状提取的演示。（a） 植株水平表型来自植株的不同视图。（b） 簇水平表型结果的示例。

 图19  在 4 周内不同蓝莓基因型之间的表型性状分析图示。从上到下，有果实数、簇数、成熟度、簇级紧凑度和果实距离的性状比较。在 4 月至 5 月的果期共分析 11 个基因型，收集 4 次数据。