FLAsH:基于FastSAM的高密度生菜种植实例分割与生长预测框架

《Smart Agricultural Technology》:FLAsH: FastSAM-Based Lettuce Analysis for High-Density Cultivation

【字体: 大 中 小 】 时间:2026年03月21日 来源:Smart Agricultural Technology 5.7

编辑推荐:

  为解决高密度种植生菜图像中植株严重重叠、边界模糊且标注数据有限的难题,研究人员开发了名为FLAsH的端到端分析框架。该框架对FastSAM基础模型进行微调,实现了对密集植株的准确实例分割;并对分割出的单株生菜利用CNN模型同时预测其移栽后天数、当前重量及收获重量。实验表明,该框架在分割任务上平均mAP达0.788,生长预测任务平均MAPE低于10%。此研究为无需人工分离的自动化、非破坏性智能农场监测提供了实用方案。

  
在现代都市农业和垂直农场中,为了在有限的空间内最大化产量,生菜等叶菜常常采用高密度种植模式。这种模式虽然提升了土地利用效率,却给自动化监测带来了巨大挑战:相邻植株的叶片紧密交织,形成严重的遮挡,使得植株之间的边界几乎无法用肉眼分辨。传统的计算机视觉方法通常假设种植稀疏、单株成像,在面对现实农场中数十株生菜挤在一起的“绿色地毯”时,往往束手无策。更棘手的是,为这种密集场景下的每棵生菜手工标注轮廓(即实例分割)是极其费力且昂贵的工作,导致可用于训练模型的高质量数据严重匮乏。同时,仅仅知道作物当前的生长状态(如重量)还不够,农场管理者更希望预测未来的收获情况,以便进行精准的采收规划和资源调配。如何在不进行人工分离或破坏性取样的前提下,实现对高密度种植生菜的个体识别、生长评估与产量预测,成为推动精准农业和智能农场发展的一个关键瓶颈。
为了攻克这些难题,来自韩国高丽大学的研究团队在《Smart Agricultural Technology》期刊上发表了他们的最新成果。他们提出了一个名为FLAsH(FastSAM-based Lettuce Analysis for High-density Cultivation)的端到端分析框架。这个框架的核心创新在于,它巧妙地将两个复杂的任务——实例分割和生长预测——整合到了一个统一的流程中。首先,它利用经过微调的FastSAM(一种轻量化的分割基础模型)模型,直接从包含多株生菜的原始农场图像中,精准地“抠出”每一棵独立的生菜。然后,针对每一棵被识别出的生菜,使用卷积神经网络(CNN)模型来同时预测三个关键的生长指标:移栽后天数(Days After Transplanting, DAT)、当前鲜重以及未来的收获重量。实验结果表明,FLAsH框架在六个不同的数据集上,分割阶段的平均mAP(mean Average Precision)达到了0.788;在生长预测阶段,所有任务的预测平均绝对百分比误差(MAPE)均低于10%。这意味着该框架不仅能准确地区分每一棵植株,还能可靠地评估其当前生长状态并预测未来产量,为实现全自动、非侵入式的作物监测与智能决策提供了强有力的技术工具。
研究人员开展这项研究主要运用了以下几项关键技术方法:首先,在实例分割阶段,他们采用了基于YOLOv8-seg架构的FastSAM基础模型。该模型具有检测头和原型头双分支结构,能通过边界框定位和原型组合生成实例掩码。针对其直接应用于农业领域时存在的过分割(将单片叶子而非整株植物识别为一个实例)问题,研究团队利用从韩国食品生物技术公司CJ CheilJedang的智能农场收集的生菜图像数据集(包含结球、罗马、红生菜三种类型,按生长早期和晚期分为6个子集,共442张图像),对FastSAM进行了全参数微调。其次,在生长预测阶段,他们使用了在ImageNet上预训练的EfficientNet-B2作为CNN主干网络,构建了三个独立的回归模型,分别预测DAT、当前重量和收获重量。用于生长预测的数据集(Dataset B)包含结球和罗马生菜两种,共计1651张由第一阶段模型分割出的单株生菜图像,每个图像都有对应的三个生长指标真实值标签。
研究结果
实例分割性能:微调后的FastSAM在六个测试数据集上均取得了优异且稳健的分割性能。如表2所示,其平均mAP达到0.788,显著优于从零开始训练的YOLOv8-seg、Mask R-CNN、Panoptic DeepLab等基线模型。与同样经过微调但计算量更大的SAM模型相比,FLAsH在mAP和AP75(更严格的IoU阈值)指标上表现更优,同时在推理速度上具有巨大优势。这证明了针对特定领域(农业)对轻量级基础模型进行全参数微调的有效性。可视化结果也清晰表明,经过微调的FastSAM能够将严重重叠的生菜植株准确地区分开,并以不同颜色标注,而原始(vanilla)FastSAM则会将单株植物的叶片错误地分割为多个实例。
生长预测精度:在生长预测任务上,基于EfficientNet-B2的模型对所有三个指标都实现了高精度预测。对于结球生菜,DAT、当前重量和收获重量的预测MAPE分别为4.92%, 9.31%和8.67%;对于罗马生菜,相应的MAPE分别为5.23%, 9.89%和9.37%。所有任务的总体平均MAPE保持在10%以下。这表明,仅利用分割后的单株生菜图像,CNN模型就能有效地从视觉特征中提取与生长阶段、生物量累积及最终产量密切相关的信息,并做出准确估算。
框架整体效能:FLAsH框架将上述两个阶段无缝衔接,构成了一个完整的分析管线。用户只需输入从智能农场拍摄的原始RGB图像,框架即可自动输出图像中每一棵生菜的精确轮廓掩码及其三项生长指标的预测值。这种端到端的处理方式省略了繁琐的人工植株分离步骤,为实现大规模、实时、非破坏性的作物表型分析和高密度种植管理提供了切实可行的解决方案。
结论与意义
本研究成功开发并验证了FLAsH框架,这是首个能够直接从高密度种植的生菜农场图像中,同时完成植株级实例分割和多项生长指标(包括当前和未来状态)预测的端到端系统。该研究的核心贡献与重要意义体现在三个方面:
第一,方法创新:研究首次将轻量级分割基础模型FastSAM通过全参数微调的方式,成功适配到高密度、严重遮挡的农业场景中,解决了基础模型在专业领域应用时的性能退化问题,实现了在有限标注数据条件下鲁棒的实例分割。
第二,功能集成:创造性地将实例分割与生长预测集成到一个统一流程中,不仅能区分个体,还能对每个个体进行多维度的生长分析,同时预测移栽后天数(DAT)、当前重量和收获重量,提供了更全面的作物生长洞察。
第三,应用价值:FLAsH框架为现实世界的智能农场提供了一套高效、自动化的监测工具。它无需人工分离植株或进行破坏性采样,仅通过图像分析即可实现个体水平的生长评估与收获预测,有助于农场管理者优化种植密度、实施精准灌溉施肥、并科学规划采收时间,最终提升产量、资源利用效率和农业生产的经济效益。该研究为人工智能驱动下的精准农业和可持续农业发展树立了一个实用的技术典范。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号