NJ-Unet：基于改进Unet架构的温室番茄叶片分割神经网络及其在叶面积指数精准估算中的应用

《Information Processing in Agriculture》：NJ-Unet: A novel Unet-based greenhouse tomato leaf segmentation neural network and its application

本研究针对温室番茄叶面积指数(LAI)估算中存在的叶片遮挡严重、结构复杂等难题，开发了集成SMU激活函数和SCSA注意力模块的NJ-Unet分割网络。通过同心环孔隙度分析方法实现LAI精准估算(R2=0.72)，并成功应用于果实产量预测(果期R2=0.90)，为设施园艺表型分析提供了创新解决方案。

　　

在设施园艺迅猛发展的今天，温室番茄作为重要的经济作物，其生长状态的精准监测一直是农业领域的核心课题。叶面积指数(LAI)作为表征作物冠层结构的关键参数，直接影响着光合作用效率和最终产量形成。然而，传统LAI估算方法如基于消光系数的测量法和阈值分割法，在应对温室环境下叶片严重遮挡、光照不均等复杂情况时显得力不从心，存在泛化能力差、精度有限等突出问题。

针对这一技术瓶颈，南京农业大学园艺学院的研究团队在《Information Processing in Agriculture》上发表了创新性研究成果。该研究巧妙地将可解释深度学习框架与孔隙度结构建模相结合，开发了名为NJ-Unet的新型神经网络，为温室番茄LAI的精准、可扩展估算提供了全新解决方案。

研究团队采用了几项关键技术方法：首先设计了为期两年的温室番茄实验，通过设置不同氮肥水平和番茄品种，构建了具有显著LAI差异的实验群体；其次开发了NJ-Unet分割网络，该网络在Unet骨架基础上引入了平滑最大单元(SMU)激活函数和空间-通道协同注意力(SCSA)模块；最后提出了基于同心环的孔隙度分析LAI估算方法，通过多尺度特征提取实现精准建模。

3.1. 叶面积指数变化规律

通过Li-2200C冠层分析仪的系统监测，研究发现番茄LAI在不同品种和生长条件下呈现规律性变化。上半年(H1)LAI值在1-3.9之间波动，下半年(H2)则为0.1-3.9，其中樱桃番茄的LAI普遍高于大果型番茄。这种差异化的LAI分布为模型训练提供了丰富的数据基础。

3.2. NJ-Unet分割性能

与Unet+ResNet50、YOLOv11m-seg等基准模型相比，NJ-Unet在mIoU(66.456%)、mPA(83.859%)等关键指标上均表现最优。特别在茎秆、花朵和重叠叶片等挑战性区域，NJ-Unet展现出卓越的分割精度，这归功于SMU函数改善梯度流和SCSA模块增强特征表征能力的协同效应。

3.3. LAI估算精度

基于分割结果的多环孔隙度分析显示，当环数增至45时，模型性能达到平台期(R²=0.72，RMSE=0.73)。不同果型番茄的估算效果存在差异，樱桃番茄在LAI>2.7时出现低估，而大果型番茄的低估阈值为LAI>3.0，这主要与冠层结构复杂性相关。

3.4. 产量预测应用

将估算的LAI用于产量预测，发现在果期(S3)相关性最高(R²=0.90)，幼苗期(S1)相对较低(R²=0.83)。这表明果期LAI与产量形成存在密切的生理关联，为生产管理提供了关键时间窗口。

该研究的创新之处在于将可解释深度学习与物理模型有机结合，NJ-Unet不仅提升了分割精度，其模块化设计还具有良好的扩展性。相比传统植被指数方法，该框架对光照变化和背景干扰表现出更强鲁棒性。值得注意的是，研究也揭示了当前方法在高LAI情况下存在系统低估现象，这为未来改进指明了方向。

这项研究成果为智能温室管理提供了重要技术支撑，通过低成本RGB图像即可实现LAI动态监测和产量预警。随着模型轻量化技术的进一步发展，NJ-Unet有望在设施园艺精准管理中发挥更大价值，推动农业生产的智能化转型。