本工作旨在构建一个基于人工神经网络(artificial neural network, ANN)蚁群算法(ant colony algorithm, ACA)的植物工厂苗表型精细识别系统。为了解决植物工厂中植物识别系统的复杂性和高延迟问题，首先，利用不同位置的多台摄像机采集幼苗图像并构建三维图像。然后，采用掩模区域卷积神经网络(mask region convolutional neural networks, MRCNN)算法对植物表型进行分析。最后，利用优化后的蚁群算法对植物工厂内的流程时间进行优化，从而构建了一个人工神经网络与蚁群算法相结合的植物工厂幼苗表型精细识别系统。并对模型的性能进行了分析。结果表明，植株具有发芽期、苗期、莲座期和抽穗期四个阶段的表型。该方法测定萌发期的准确度可达97.01%，所需试验时间为5.64 s。此外，当数据量为6000 Mb时，所提出的模型算法的过程时序优化精度保持在90.26%，延迟和能耗稳定在20.17 ms和17.71 ms。但是，三维图像构建过程中的图像采集遮挡问题仍需进一步研究。因此，所构建的基于ANN-ACA的植物幼苗表型精细识别系统，能够以更实时、更低能耗的方式优化流程时序，为后期植物植株无人智能识别系统与整套设备的一体化推进提供参考。

图1 植物工厂的空间结构

图2 采用MRCNN算法对幼苗图像进行特征提取的帧结构图

图3 MRCN中多任务损失函数示意图

图4 种子不同方位图像采集的摄像机置放图

图5 基于人工神经网络和蚁群算法的植物幼苗表型精细鉴定系统框架

图6 不同超参数下的训练和测试结果对比图。(a)不同优化器的训练损失;(b)使用不同优化器的测试损失;(c)不同学习率的迭代方法造成的训练损失;(d)用不同学习率的迭代方法测试损失

图7 不同算法下植物各表型期识别准确率图(a)准确率;(b)精度;(c)召回;（d）F1

图8 各种算法的表型识别所需时间对比曲线(a)训练时间;(b)测试时间

图9 不同数据量下植物工厂流程优化精度与所需时间曲线(a)流程优化精度;(b)所需时间

图10 不同数据量下算法的能耗和时延变化(a)时延;(b)能源消耗