利用实例分割和有监督条件生成的对抗网络提取遮挡生菜冠层内叶片的形态特征-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

利用实例分割和有监督条件生成的对抗网络提取遮挡生菜冠层内叶片的形态特征

发布时间：

2025-12-07

来源：

作者：

在密集遮挡的冠层中精确测量叶片形态对于优化植物生长管理和提高作物产量至关重要。尽管基于RGB的条件生成对抗网络(CGANs)方法提供了高性价比和高效的叶片补全策略，但对于捕获单个叶片特征建立精确的对应关系并量化遮挡影响仍面临挑战。本研究以生菜为研究对象，提出了一个包含数据采集和图像处理的自动化流程，训练有监督的CGANs以用于叶片提取、分割、补全。

结果显示，YOLOv8s-Seg为最优分割模型，pix2pix为最有效的补齐网络，其叶面积估测R²为0.948，RMSE为2.851 cm²，SAMScore(表示语义相似性)为0.9744，表明从外部轮廓和内部解剖特征可以准确地重建叶片形态。此外，研究结果证明了相对于使用非配对数据的无监督CGANs，使用完全配对训练数据的有监督CGANs的优势，并揭示了在大约60%的叶片完整性下可实现最佳性能。

本研究自动化、高性价比和高度可扩展的流程将实例分割模型YOLOv8s - Seg与有监督的CGAN pix2pix集成在一起，有效解决了遮挡条件下提取叶片形态特征的挑战，为优化数据收集、指导植物管理实践和推进植物表型研究提供了新的工具和理论基础。

图1. 数据采集实例:(a)冠层图像；(b)人工标注的冠层图像；(c)分离的叶片图像和(d)带注释的冠层

图2. YOLOv8及其组件的结构

图3. 处理两个子集的工作流程

图4 四种不同模型的叶片分割结果的可视化

图5. 估计的叶片性状和实际拟合

表1. 不同叶片分割模型的比较结果

表2. 不同叶片补齐模型的比较结果

来源

G. Zhang, W. Zhu, S. Ma, C. Huang, H. Liu, S. Gu, W. Guo, Y. Yang, Extracting Leaf Morphological Traits within Occluded Lettuce Canopies Using Instance Segmentation and Supervised Conditional GAN, Journal of Agriculture and Food Research, https://doi.org/10.1016/j.jafr.2025.102518.

编辑

JAYz

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。

视频展示