Automated seedling vigor estimation in cucumbers using digital image processing

方法

LED下拍摄14天幼苗，YOLOv8分割真叶，提取像素与RGB做多元线性回归。

发现

YOLOv8检测mAP@0.5达96%，模型测试r=0.79，F1杂交种相关性达0.91。

机会点

可扩展多品种、多环境数据，融合时序图像与深度学习提升活力预测泛化性。

背景与目标：农民通常依赖经验而非定量指标来判断幼苗质量，导致资源配置效率低下。本研究旨在（1）比较开放授粉（OP）与F1杂交黄瓜种子类型之间的幼苗活力和生长特性，（2）基于数字图像分析开发一种用于幼苗活力评估的无损预测模型。方法：使用500万像素数码相机置于14日龄幼苗上方30 cm处，在受控LED光照下获取幼苗图像。应用基于YOLOv8的目标检测模型检测并分离真叶区域，从中提取像素计数和RGB颜色值作为多元线性回归模型的输入特征，以预测幼苗活力指数（SVI）。主要结果：YOLOv8目标检测模型在检测真叶时达到了96.00%的平均精度均值（mAP@0.5）、93.40%的精确率和94.40%的召回率。使用Python中的Scikit-learn库进行多元线性回归分析。Scikit-learn提供基于回归的机器学习算法，包括多元线性回归。随后将该方程应用于训练集和测试集，以真叶像素值作为自变量，SVI作为因变量。通过多元回归分析，训练模型生成的方程为SVI = -2.27 + (2.84 × 10-5 × 像素) + (3.48 × 10-5 × R) + (-7.49 × 10-2 × G) + (2.06 × 10-1 × B)，R2 = 0.57，RMSE = 1.10。该模型在测试集上达到r = 0.79，RMSE = 1.34。模型性能显示，OP数据的相关系数为0.85，F1杂交数据的相关系数为0.91。结论：结果表明，数字图像处理结合目标检测为评估幼苗活力质量提供了一种无损且有效的方法。基于OP和F1杂交数据集开发的预测模型表明，其在精准农业中具有用于自动化幼苗质量评估和移栽决策支持的潜在应用。