准确地评估葡萄藤的花朵数量对于培育具有最佳繁殖性能的新品种、早期产量预测以及帮助葡萄栽培师作出管理决策具有重要意义。传统图像处理如颜色与形态学分析一类的方法实现了花朵计数的自动化过程，但其在应用于不同光照条件、不同生长时期的多种葡萄藤分析时通用性不强，限制了普适性系统的发展进步。深度学习算法在基于图像的植物表型分析中具有较大潜力，即使面对复杂的农业环境，相关模型也能够保持较好的通用性和准确性。因此，本研究采用深度学习图像实例分割模型Mask R-CNN与图像语义分割模型U-Net实现对葡萄藤花序上花朵的自动计数。其中Mask R-CNN存在两种，其中一种为基于图像块的实例分割，另外一种为基于整个图像的实例分割。

　　研究中的数据集包含了不同光照条件下4个葡萄藤品种的533张RGB图像，尺寸均被统一为512×512。这些品种在花序长度、花朵数量、花朵密度和分支数等表型方面具有明显的多样性。图像中花朵的标签由VGG图像标记工具制作，实例分割标记为样本多边形边界，语义分割标记为样本点。模型正式训练前每张图像均经过图像增强(图像翻转、图像旋转、图像缩放、图像裁剪与填充)并获得了1080张训练集图像。基于图像块的实例分割方法中，每张输入图像被裁减为256×256的图像块，并且每个图像块之间保证50%的重叠度。当该模型训练完成时，来自同一张图像的不同块的输出结果将会被重新拼接，重叠部分采取平均的策略。

　　不同模型的性能结果通过与人工标注的真实值计算决定系数R2、均方根误差RMSE与平均绝对百分比误差MAPE进行精度评估和误差估计。 为了评估模型对花朵的分割性能，混淆矩阵与F1得分同样被计算。研究结果表明，基于图像块的实例分割Mask R-CNN的分割计数结果与人工计数结果高度相关，R2达到了0.96。其分割效果具有一定的鲁棒性，不同品种的MAPE在5.50%~8.45%之间。除此之外，基于语义分割模型U-Net的密度估计计数方法拥有最快的计数速度(0.33s/张)，适用于实时花朵计数系统。该研究证明了即使在花序形态高度多样化的情况下亦可利用深度学习图像处理算法实现高通量的花朵计数。

　　图1两种花序花朵图像标注示例(a：实例分割标注;b：密度估计的语义分割标注)

　　图2 不同的花序图像分割计数模型流程图

　　图3 模型预测结果与人工标记结果的相关性分析图

　　图4 模型分割结果示意图

　　来源：Rahim U F, Utsumi T, Mineno H. Comparison of Grape Flower Counting Using Patch-Based Instance Segmentation and Density-Based Estimation with Convolutional Neural Networks. 2021. EasyChair, 6539.

　　编辑：张金诺