分析方法增强了葡萄浆果的细分从而改善了葡萄园管理和育种计划

一个研究小组证明，SegmentAnything模型(SAM)可以准确识别2D葡萄串图像中的单个浆果，与人工识别的浆果具有很强的相关性(Pearson的R2=0.96)。该方法从大约3,500张图像中生成了超过150,000个浆果蒙版。

结果表明，将SAM集成到现有葡萄园图像处理流程中可以改善集群架构和紧凑性分析。未来的应用包括通过提供精确的浆果计数和空间信息来增强葡萄园管理和育种实践。

葡萄串的结构和紧密度对产量、质量和疾病易感性有显著影响。这些特征很复杂，受浆果大小和排列等因素的影响，很难准确测量。目前的方法，如视觉评分和计算机视觉，在精度和可扩展性方面存在局限性。

在2024年6月27日发表在《植物表型学》上的一项研究中，研究人员旨在使用任意分割模型(SAM)在2D图像中分割葡萄浆果，而无需额外训练，从而提高分析葡萄簇结构和紧凑度的准确性和效率，以改善葡萄园管理和育种计划。

这项研究对387株葡萄藤和1,935个葡萄串使用了SAM算法，生成了215,090个蒙版。对于99株葡萄藤，研究人员从四个角度拍摄了葡萄串，共生成了3,431幅图像。该算法识别了各种物体，过滤掉了55,550个重叠或大小不合适的浆果蒙版，留下了153,939个真正的浆果蒙版。

每簇浆果的平均数量为44.87，数量呈正态分布。处理时间随网格密度而变化;32x32网格在CPU上每幅图像需要55秒，在GPU上则需要14秒。增加到62x62点后，处理时间增加到4分45秒。

聚类图像中的浆果计数与手动计数具有较高的相关性(R2=0.93)，但低估了约50%。这种低估是一致的，可以用线性回归进行校正，从而将准确度提高到调整后的R20.8723。

浆果大小预测变化较大，但也可线性调整(调整后的R2=0.8457)。成像角度对浆果数量预测有显著影响，尤其是对于不对称的簇，而浆果大小的影响较小。该方法对簇结构特征和遗传变异具有敏感性，对浆果数量和簇紧密度等特征具有一致的可重复性。

这项研究的高级研究员Diaz-Garcia表示：“我们强调了拍摄浆果簇的角度至关重要，并指出了其对浆果数量和结构的巨大影响。我们提出了不同的方法，其中浆果位置信息有助于计算与浆果簇结构和紧凑性相关的复杂特征。

“最后，我们讨论了SAM与目前可用的葡萄园条件下图像生成和处理管道的潜在集成。”

总之，本研究使用SAM算法准确分割2D聚类图像中的葡萄浆果，并使用线性回归纠正了50%的低估(调整后的R2=0.87)。研究结果凸显了SAM在葡萄园管理和育种计划中进行精确、可扩展的聚类分析的潜力。