基于深度学习的方法用于提取切花菊花的花序形态特征

《Smart Energy》：Deep learning-based approach for extracting inflorescence morphology features in cut chrysanthemum

精准识别切花菊形态学特征对品质评估和品种改良至关重要。本研究开发了集成ShuffleNet V2轻量分类模型、优化U-Net分割模型及随机森林回归的自动化分析框架，实现花型分类准确率95.24%、花径估计MSE 6.605mm（雌花）和2.034mm（雄花）、R2达0.98，并创新性地通过几何特征和纹理分析实现Incurve/Honeycomb及Single-petals/Repeating-petals亚型分类，F1-score均超0.87。研究有效平衡了模型轻量化与高精度，为大规模智能生产提供可靠技术支撑。

　　在现代农业中，花卉形态特征的准确识别对于切花菊（*Chrysanthemum morifolium* Ramat.）的质量评估和品种改良至关重要。传统的手动或基于规则的图像处理方法在处理复杂的花型结构时效率低下，且难以实现精确的特征提取。为了克服这些局限性，本研究开发了一种轻量级的深度学习与机器学习相结合的流程，用于对超过30个切花菊品种进行自动化特征提取。通过这一方法，实现了高精度的花型分类、花冠部分的分割以及花径的估算，为切花菊的高通量表型分析提供了可行的解决方案。

### 切花菊的形态特征识别挑战

切花菊作为全球四大切花之一，在全球花卉市场中占据重要地位。其种植密度可达每平方米70至100株，多数品种每株可产生10至15朵花。这种高密度的花簇结构使得在生产管理过程中，对花质进行监测的劳动强度显著增加。此外，品种改良过程中对花型的精准分类和品种质量的评估，也对准确性和处理速度提出了更高的要求。随着园艺与计算机科学的深度融合，行业正逐步向智能化生产系统转型，其中自动化表型特征获取，尤其是花型的识别，成为育种、质量评估和数字化管理中的关键环节。

### 传统方法的局限性

传统的花卉表型分析方法主要依赖于人工测量或基于规则的图像处理技术，这些方法存在诸多局限性。首先，人工测量不仅耗时耗力，而且容易受到主观偏差的影响，难以适应大规模的表型分析需求。其次，基于规则的图像处理方法在面对复杂或相似花型时，往往难以提供足够精确的特征提取。因此，亟需一种高效、准确的自动化解决方案，以应对这些挑战。

### 本研究的创新方法

本研究提出了一种轻量级的深度学习与机器学习相结合的框架，用于切花菊的高通量表型分析。该方法包括四个主要步骤：首先，使用轻量级的ShuffleNet V2模型对花型进行初步分类，为后续的精细分类提供技术支撑；其次，采用优化后的U-Net模型对花冠部分进行分割，有效降低了模型的参数量和计算复杂度；第三，利用标准色卡和几何校正方法对花冠直径进行估计，提高测量精度；最后，根据几何和纹理特征对相似花型（如Incurve与Honeycomb、Single-petals与Repeating-petals）进行分类，提升分类的准确性。

### ShuffleNet V2模型的性能

ShuffleNet V2是一种高效、轻量级的卷积神经网络架构，专门设计用于移动设备和资源受限环境下的应用。该模型在花型分类任务中表现出色，达到了95.24%的分类准确率。其参数量仅为126万，计算量为0.15 GFLOPs，处理速度为14.78 ms/图像，每秒可处理67.65帧。相比其他主流模型（如DenseNet121、EfficientNet V2、MobileNet V3、SqueezeNet和VGG16），ShuffleNet V2在保持较高分类准确率的同时，显著降低了计算资源的消耗，从而更适合实际生产环境中的部署。

### U-Net模型的优化

U-Net作为一种经典的语义分割模型，最初用于医学图像分割。其对称的编码器-解码器结构能够有效地捕捉图像的局部和全局信息。然而，传统U-Net模型在参数量和计算复杂度方面较高，限制了其在实际应用中的可行性。为此，本研究引入了深度可分离卷积（DSConv）和分组卷积与通道洗牌机制（channel shuffling）对U-Net进行优化，从而显著降低模型的参数量和计算复杂度，同时保持较高的分割精度。优化后的U-Net-GD模型在平均Dice相似系数（DSC）方面达到了0.934，与原始U-Net相比，参数量减少了96%，计算复杂度降低了95%。这些改进使得模型在资源受限的环境中更加适用，提高了部署效率。

### 花冠直径的估算方法

在花冠直径估算方面，本研究提出了一种基于U-Net分割和几何特征校正的方法。首先，通过U-Net模型对花冠部分进行分割，获取其轮廓信息。随后，利用几何算法计算花冠的最大外接圆直径，作为初步估算值。为了消除因拍摄条件不同导致的像素尺寸与实际尺寸之间的偏差，引入了标准色卡作为参考标准，通过计算像素尺寸与实际尺寸的比例进行校正。最后，利用随机森林回归（RFR）模型对校正后的估算值进行优化，以提高预测精度。实验结果显示，RFR模型在花冠直径估算中表现出色，其均方误差（MSE）分别为6.605 mm和2.034 mm，决定系数（R2）接近0.98，表明该方法在直径估算方面具有较高的可靠性。

### 机器学习分类模型的应用

在对Incurve与Honeycomb、Single-petals与Repeating-petals等花型进行分类时，本研究采用了一系列机器学习算法，包括随机森林（RF）、支持向量机（SVM）、逻辑回归、XGBoost、K近邻（KNN）和梯度提升等。通过对几何和纹理特征的提取和归一化处理，构建了一个高效的分类模型。实验结果显示，随机森林模型在分类任务中表现优异，其分类准确率分别达到了92%和87%，F1分数均高于0.87，表明其在区分相似花型方面具有强大的判别能力。

### 实验结果与分析

在模型训练和测试过程中，本研究对不同模型的性能进行了详细评估。对于花型分类任务，ShuffleNet V2模型在准确率和计算效率之间取得了良好的平衡，其参数量和计算复杂度远低于其他模型，同时保持了较高的分类准确率。对于语义分割任务，优化后的U-Net-GD模型在平均DSC、HD95、ASD、NSD和JC等指标上均表现出色，其分割精度和效率得到了显著提升。此外，通过引入随机森林回归模型，花冠直径的估算误差显著降低，R2值接近0.98，进一步验证了该方法的可靠性。

### 未来展望与改进方向

尽管本研究取得了一定的成果，但在实际应用中仍面临一些挑战。首先，轻量级模型在复杂背景下的性能可能有所下降，因此未来的研究可以探索更先进的轻量级策略，以在不牺牲分类准确率的前提下进一步降低模型复杂度。其次，模型在花冠边界和重叠区域的分割精度仍有提升空间，可以考虑引入注意力机制或边界感知损失函数，以提高分割的准确性。此外，对于一些花冠较小的品种，分割效果不佳，因此需要扩展数据集，尤其是对那些花冠边界不清晰的品种，以增强模型的泛化能力。最后，在分类任务中，虽然随机森林模型表现出色，但某些纹理特征对分类性能的影响较小，因此可以采用降维技术和特征选择算法，以筛选出最具信息量的描述符，进一步优化分类流程。

### 结论

本研究开发并验证了一套轻量级的深度学习与机器学习方法，用于切花菊的表型分析。ShuffleNet V2模型在花型分类任务中达到了95.24%的准确率，其轻量级特性（126万参数、0.15 GFLOPs）和快速推理速度（14.78 ms/图像、67.65 FPS）使其非常适合资源受限环境下的部署。优化后的U-Net模型在平均DSC方面达到了0.934，参数量和计算复杂度分别减少了96%和95%，显著降低了推理成本，同时保持了较高的分割质量。随机森林回归模型在花冠直径估算中表现出色，其MSE分别降至6.605 mm和2.034 mm，R2值接近0.98，进一步验证了该方法的可靠性。在分类任务中，随机森林模型在区分Incurve与Honeycomb、Single-petals与Repeating-petals等花型时表现出色，准确率分别达到了92%和87%，F1分数均高于0.87，显示出强大的判别能力。这些方法为切花菊的自动化检测、分割、测量和分类提供了高效且轻量级的解决方案，满足了大规模切花菊生产的需求。然而，当前框架仍受限于其依赖于实验室条件下的数据，因此未来的研究将通过构建大规模的田间图像数据集、采用数据增强策略进行模型优化，并探索在边缘设备上的部署，以提高模型在复杂田间环境中的适用性。这些努力将有助于弥合实验室验证与实际应用之间的差距，为智能切花菊栽培系统奠定坚实的技术基础。