YOLOv11-LicoSeg：一种用于甘草胚根长度测量的方法

《AgriEngineering》：YOLOv11-LicoSeg: A Method for Measuring the Radicle Length of Licorice

　　

全球气候变化与土壤盐渍化给甘草（Glycyrrhiza uralensis）栽培带来挑战，基于胚根（radicle）形态动态变化评估种子活力对筛选耐低温耐盐甘草品种至关重要。传统人工测量甘草胚根特征存在成本高、耗时长、误差大等问题。深度学习领域的YOLOv11实例分割（instance segmentation）模型具有架构简单、轻量化强及检测—分割统一框架等优势。因此，研究人员选取YOLOv11模型构建深度学习框架，利用连续时间序列作物生长活力监测系统采集18组不同温度与盐胁迫下甘草种子萌发的全时间序列图像；通过在YOLOv11-seg模型中加入空间条形注意力（Spatial Strip Attention, SSA）机制以增强胚根特征的空间相关性，用多尺度边缘细节增强模块（Multi-scale Edge Detail Enhancement Module, MEEM）替代普通卷积以优化多尺度特征提取能力，并嵌入归一化Wasserstein距离（Normalized Weighted Distance, NWD）损失函数以增强微小目标分割能力，构建了用于甘草胚根特征分割提取及根长计算的YOLOv11-LicoSeg模型。实验结果表明：模型检测框mAP50达97.4%，mAP50–95达81.7%；分割掩膜mAP50达97.0%，mAP50–95达78.2%。与未改进YOLOv11-seg相比，检测mAP50提升0.7%，mAP50–95提升1.3%，分割mAP50提升0.7%，mAP50–95提升0.8%。人工测量与机器视觉测量间线性回归系数为0.94218，拟合优度R2为0.94408。利用该模型与监测系统获取了萌发时间内甘草胚根轮廓特征的形态演变过程，研究表明甘草胚根在1200 μs/cm与1800 μs/cm盐胁迫下生长最佳。YOLOv11-LicoSeg可准确分割甘草胚根并计算根长，100张胚根图像分割耗时在7 s以内；部署后显著降低了甘草胚根表型获取的劳力成本与时间消耗。综上，YOLOv11-LicoSeg为甘草育种与栽培中的品种筛选提供了快速准确的胚根长度测量方法。

YOLOv11-LicoSeg：基于改进YOLOv11-seg实例分割的甘草种子胚根长度测量方法——发表于《AgriEngineering》

本研究针对甘草（Glycyrrhiza uralensis Fisch.）因全球气候变化与土壤盐渍化需筛选耐低温耐盐品种的背景，指出传统人工测量萌发期胚根（radicle）形态以评估种子活力的方法存在成本高、耗时长、误差大的缺陷；现有基于YOLO（You Only Look Once）系列的目标检测算法多限于分类功能，无法提供根长等复杂作物萌发表型信息，且标准YOLOv11-seg模型对萌发早期细小、与背景（水培纯色棉布及微小纤维）对比度低的甘草胚根分割精度不足。为此研究人员以YOLOv11-seg为基础进行三点结构改进并配套后处理计算模块，构建YOLOv11-LicoSeg模型，利用连续时间序列作物生长活力监测系统采集的不同温盐胁迫下发甘草萌发图像进行训练验证。结果显示改进后模型在检测与分割精度上均优于原模型及主流YOLOv5/7/8/9-seg等版本，机器视觉与人工测量根长高度线性相关（R²=0.94408），可高效完成100幅图像胚根分割与根长计算（<7 s），并结合时序监测揭示了1200 μs/cm与1800 μs/cm盐胁迫下甘草胚根生长最优的结论，为甘草育种品种筛选及小型植物种胚根/下胚轴表型分析提供了自动化无损测量方案。

主要关键技术方法：

研究人员采用新疆本地甘草（Glycyrrhiza uralensis Fisch.）种子为样本，设置18~19 ℃、24~25 ℃、30~31 ℃三梯度温度及各温度下0、600、1200、1800、2400、3000 μs/cm六梯度土壤浸提液盐胁迫，共18实验组，利用连续时间序列作物生长活力监测系统（含恒温光照发芽箱、HIK Vision工业相机MV-CS200-10GC及30 mm远心镜头、滑轨步进电机）每定时采集2900×3000像素RGB图像，初筛保留1835幅标注构建数据集。以YOLOv11s-seg为基线，在Backbone中加入空间条形注意力（Spatial Strip Attention, SSA）模块，将C3K2中普通卷积替换为多尺度边缘细节增强模块（Multi-scale Edge Detail Enhancement Module, MEEM），引入归一化Wasserstein距离（Normalized Weighted Distance, NWD）损失函数强化微小目标分割，并编写后处理模块基于分割掩膜二值图与Canny边缘检测按标定比例尺（1500像素=250 mm）计算胚根轮廓像素总长之半得实际根长；评估指标采用检测与分割的mAP₅₀、mAP_50–95，参数量（Params）与浮点运算量（FLOPs），并以线性回归与R²校验机器与人工根长测量一致性。

研究结果

3.1. Environment and Settings

研究人员在Windows 10系统、NVIDIA GeForce RTX 3050 Laptop GPU、PyTorch 1.9.0、Python 3.8环境下，统一将图像裁剪为640×640像素，不使用预训练权重，设定统一超参数对各模型进行训练，确立实验软硬件与训练基准。

3.2. Comparative Experiments on the Detection Performance and Segmentation Mask Performance of Different Models

研究人员将YOLOv11-LicoSeg与YOLOv5-seg、YOLOv7-seg、YOLOv8-seg、YOLOv9-C-seg、YOLOv11n-seg、YOLOv11s-seg、YOLOv11m-seg、YOLOv11l-seg进行对比实验，得出YOLOv11-LicoSeg检测mAP₅₀=97.4%、mAP_50–95=81.7%，分割掩膜mAP₅₀=97.0%、mAP_50–95=78.2%；较YOLOv11s-seg检测mAP₅₀↑0.7%、mAP_50–95↑1.3%，分割mAP₅₀↑0.7%、mAP_50–95↑0.8%；虽YOLOv9-C-seg检测mAP₅₀略高（98.0%），但其参数量为YOLOv11-LicoSeg三倍以上，不利部署；综合精度与模型规模YOLOv11-LicoSeg达到较优平衡。

3.3. Ablation Experiments

研究人员以YOLOv11s-seg为基线依次添加SSA、MEEM、NWD损失做消融实验：单独加SSA使检测mAP₅₀↑0.5%、mAP_50–95↑1.1%，分割mAP_50–95↑0.3%；再替换MEEM使检测mAP₅₀↑0.1%、mAP_50–95↑0.2%，分割mAP₅₀↑0.3%、mAP_50–95↑0.4%，参数量与FLOPs基本不变；再加NWD损失使检测mAP₅₀与分割mAP_50–95各↑0.1%，无额外参数量增加；最终完整YOLOv11-LicoSeg较基线Params↑7.1 M、FLOPs↑14.0 G，检测mAP₅₀↑0.7%、mAP_50–95↑1.3%，分割mAP₅₀↑0.7%、mAP_50–95↑0.8%，证明三项改进均对胚根（特别是早期<20像素微小胚根）分割精度有正向贡献。

3.4. Licorice Radicle Length Calculation

研究人员随机取100条已正确分割胚根，对比三次人工测量均值与模型计算根长，得出线性回归方程y=0.94218x+0.30606，回归系数0.94218接近1，R²=0.94408接近1，残差大多分布于0附近；人工单图测量需640~700 s且疲劳致误，模型100图处理<7 s，证明YOLOv11-LicoSeg可高精度高效率完成胚根长度量化。

3.5. Full Time-Series Tracking of Radicle Characteristics

研究人员结合连续时间序列监测系统与YOLOv11-LicoSeg提取18实验组胚根长度时序数据，发现18~19 ℃低温下各盐浓度胚根生长差异不明显；24~25 ℃与30~31 ℃高温下差异显著，其中1200 μs/cm盐胁迫时胚根萌发与生长最佳，3000 μs/cm最差；综合不同温度，1200 μs/cm与1800 μs/cm盐胁迫最适宜该类甘草胚根生长，验证了模型在萌发表型动态监测中的有效性。

讨论与结论翻译

讨论部分指出YOLOv11-LicoSeg在甘草胚根实例分割中达到最高分割mAP_50–95=78.2%、检测mAP_50–95=81.7%，较原始YOLOv11-seg各指标提升0.7%~1.3%不等，机器与人工根长测量线性度0.9421与R²=0.94408证实其用于实际根长计算可行，属首次将YOLOv11-seg应用于甘草胚根特征分析并创建快速准确测量方法；局限在于模型尺寸增大给边缘设备部署带来难度及萌发极早期胚根过短或与近似色背景重叠可致误检，未来可通过剪枝、知识蒸馏、轻量骨干网（MobileNet/ShuffleNet）、注意引导数据增强、上下文融合模块、弱监督学习及接入视频/时序成像做单粒种子动态追踪予以改进，该方法亦可迁移至拟南芥、烟草、紫花苜蓿等其他小种子植物的胚根/下胚轴表型研究。

结论翻译：本研究针对甘草胚根长度人工测量困难与效率低下的实际问题，在YOLOv11-seg基础上改进构建YOLOv11-LicoSeg模型，引入空间条形注意力（Spatial Strip Attention, SSA）模块与归一化Wasserstein距离（Normalized Weighted Distance, NWD）损失函数，实现甘草胚根的准确自动分割与长度测量。经系统性能测试与消融验证，本文提出模型多项评价指标显著优于原始基准模型，可在不同萌发条件下有效完成胚根长度测量任务。目前该方法填补了最新深度学习实例分割技术应用于甘草胚根表型分析的空白，突破了传统人工测量费时费力误差大的瓶颈，为甘草种子萌发相关研究提供可靠自动化解决方案。研究结果表明该方法具备良好泛化能力，可迁移至其他小种子植物胚根相关表型研究，对推动植物表型组学研究与种业检测技术智能化发展具有重要参考价值。