基于YOLOv8与改进高分辨率网络的番茄和生菜气孔指数智能计算方法研究

本研究针对植物叶片气孔指数(SI)自动检测中复杂形态 pavement cells 的精准分割难题，开发了集成YOLOv8目标检测与改进高分辨率网络(Imp_HRNet)的AI架构。通过Multi-level Data-dependent Feature Aggregation模块提升细胞分割精度，结合连通域算法实现pavement cells自动计数，在生菜和番茄样本中分别获得0.9991和0.9985的R2值，MAPE降低9.45%和4.74%，为作物抗逆育种提供高效表型分析工具。

　　

植物叶片上的微小气孔是调控光合作用与水分平衡的关键门户，其分布特征直接影响作物产量和抗逆能力。传统气孔指数(SI)测量依赖人工显微镜观察，面对生菜叶片上拼图形状的pavement cells和番茄复杂的细胞边界时，研究人员常陷入"数到眼花"的困境。安徽农业大学研究团队在《Engineering Applications of Artificial Intelligence》发表的研究，创新性地将目标检测与语义分割技术结合，构建了双模型协同的智能分析系统。

研究采用YOLOv8实现气孔高效检测，通过改进高分辨率网络(Imp_HRNet)整合Multi-level Data-dependent Feature Aggregation模块处理复杂细胞形态。基于指甲油印迹法获取的显微图像数据集，利用连通域分析实现细胞自动计数，最终开发出集成化SI计算软件。

【Pavement cell segmentation by Imp_HRNet】
通过引入数据依赖性上采样(Dupsample)策略，Imp_HRNet在生菜样本中达到98.73%的像素级分类准确率，较原HRNet提升0.18%。网络保持480×640高分辨率特征图，有效捕捉细胞壁的细微拓扑结构。

【Pavement cell counting】
针对拼图状细胞邻接问题，研究采用形态学腐蚀-膨胀操作分离粘连细胞，使自动计数与人工计数的R²达到0.992。在指甲油层造成的图像模糊区域，MDFA模块显著降低17.6%的误分割率。

【Conclusions and future work】
该研究首次实现复杂形态作物的SI全自动检测，软件输出包含气孔数、pavement cells数和SI值三项参数。生菜SI计算的MAPE仅2.22%，较传统方法提升6.23个百分点，为高通量表型分析提供新范式。未来可通过三维卷积网络进一步优化重叠细胞识别，推动AI技术在精准农业中的深度应用。

这项突破性工作不仅解决了植物生理学研究中的关键技术瓶颈，更建立了计算机视觉与农业科学交叉创新的典范。通过Yang Xu等研发的智能系统，现在只需5分钟即可完成过去需要2小时的手工计数工作，使大规模筛选抗旱作物品种成为可能，为保障粮食安全提供科技支撑。