在农业管理和桃育种中，及时准确地评估开花特性对于跟踪花物候至关重要。在这项研究中，配备高分辨率相机的无人机（UAV）与深度学习技术相结合，监测多个品种的桃开花。实例分割模型PeFloSEG基于YOLOv5-seg框架，集成了一个增强的检测头用于改进特征表示和改进的损失函数-Focal Efficient Intersection over Union（Focal-EIoU）-优化边界框回归。为了提高模型效率，应用了通道剪枝算法，在保持高精度的同时显著减小了模型大小。PeFloSEG取得了很好的结果，检测的平均精度（mAP@0.5）得分为0.876，分割的平均精度（mAP@0.5）得分为0.825，在检测方面优于最先进的算法0.5%-24.9%，在分割方面优于最先进的算法5.7%-28.1%。对PeFloSEG输出的开花强度（FI）指数（FI1和FI2）和单株开花率（SFR）进行了评价，线性相关分析表明，这些指数与地面真实值之间存在较强的相关性，R²值分别为0.964（FI1）、0.961（FI2）和0.986（SFR）。这些指数进一步用于评估开花动态随时间的推移，并区分物候期，总体分类准确率达到91.7%。它们还实现了有效的品种分类，便于探索不同桃品种的开花特性。总体而言，所提出的方法为高通量表型分析提供了一种可扩展和有效的解决方案，并为桃育种和种质资源评价提供了有价值的工具。

图1  本研究的总体工作流程。（a）研究区域的位置。（b）研究区域的正射照片，彩色点表示用于图像采集的选定桃树。（c）各种角度的无人机摄影示意图。（d）图像预处理，包括使用Faster R-CNN模型进行树木裁剪，图像拼接，数据注释和增强。（e）实例分割和数据分析，包括深度学习模型训练和推理、图像拼接以及后续的数据分析。数据分析包括开花指数的计算、开花物候期的识别、品种聚类以及根据地面实况进行数据验证。

图2  所提出的PeFloSEG模型的学习架构和图示Focal-EIoU和通道修剪的图表。

图3  使用基线模型、单一改进和组合改进对桃花和花蕾的分割预测的比较。

图4  不同修剪率下的模型变化。（a）检测mAP的变化。（b）参数的数量。（c）模型大小和推理速度。（d）稀疏训练期间缩放因子的变化。（e）修剪前后通道数量的变化。

图5  使用不同模型的花和芽实例分割结果的比较。

图6  （a-c）SFR、FI 1和FI 2的参考值与基于图像的值之间的关系。（d-f）从UAV图像导出的三个开花指数（SFR、FI 1和FI 2）之间的相关性。

图7  所提出的PeFloSEG在不同开花强度下的性能。

图8  不同拍摄角度下桃花和花蕾的识别准确性比较。（a）不同拍摄角度拍摄的图像的识别结果。（b）不同角度下树木上识别的花和花蕾的数量。（c）不同拍摄角度下识别的数量之间的决定系数（R²）不同拍摄角度下识别的数量与垂直头顶图像识别的数量之间的决定系数（R²）。

图9  使用2024数据集进行模型泛化验证的SFR、FI1和FI2的地面真值与基于图像的值之间的关系。

图10  开花指数的综合可靠性和不确定性分析。（a）基于图像和现场计数的花朵数量之间的线性拟合。（b）基于图像和现场计数的花蕾数量之间的线性拟合。（c）不同时间段的花朵和花蕾总数。（d）单棵树上已识别花朵和花蕾数量的时间趋势。

图11  本文提出的PeFloSEG和颜色阈值方法的分割结果比较。（a）原始图像。（B）使用颜色阈值方法的分割结果。（c）使用PeFloSEG的分割结果。（d）不同方法和参考值之间的花像素计数的比较。

图12  利用开花比率指数识别开花期。（a）桃树在不同开花期的本地图像。（b）将基于SFR的开花期与通过实地调查确定的36棵验证树的开花期进行比较的混淆矩阵。（c）基于SFR的所有144棵桃树开花期的时间变化。

图13  对24个桃品种进行K-均值聚类分析：（a）基于开花比率指数（SFR）的聚类分析结果;（B）基于开花强度指数（FI 1和FI 2）的聚类分析结果;（c）基于开花比率指数、FI 1和FI 2的4个聚类指标的时间动态。