通过关键点检测和校正算法对花生荚的表型特征进行精确量化

《Engineering Applications of Artificial Intelligence》：Precise phenotypic trait quantification of peanut pods via keypoint detection and correction algorithms

花生品种DUS测试的AI关键点检测与定量分析研究提出PeanutNet模型和几何校正策略，提升花生关键部位定位精度至93.7%，建立贝克显性度与腰收缩定量指标，开发自动化分析平台，显著优于传统人工方法。

　　

华振路|赵金猛|张炳正|乔丽仙|邓立苗

青岛农业大学科学与信息学院，中国青岛市，266109

摘要

花生的独特性、一致性和稳定性（DUS）测试在育种计划和新作物品种的审批中起着关键作用。然而，目前的方法依赖于主观的手动检查，缺乏客观性和稳定性。随着育种计划变得越来越复杂，需要自动化的客观解决方案。为了解决这些挑战，本研究提出了一种基于人工智能（AI）的关键点检测和定量分析方法，用于花生荚果，并开发了一个用于自动化表型评估的集成平台。提出了一种新的花生荚果关键点检测架构（PeanutNet）。引入了一种几何校正策略来提高关键点的定位精度。基于校正后的关键点，建立了定量指标来描述荚果喙部明显度和荚果收缩等特征。实验结果表明，PeanutNet在关键点检测方面的性能优于You Only Look Once版本8（YOLOv8-Pose），在交并比阈值0.50时，平均精度（mAP@50）提高了6.2%。校正算法进一步提高了关键点的准确性。例如，在荚果腰部的第二个凹陷点（w-point2）上提高了1.1%，在荚果喙部的凸起点（m-point1）上提高了1.3%。在“强”等级中，所提出的定量方法在荚果喙部明显度上的准确率为88.20%，在收缩度上的准确率为78.95%。与基于专家的手动评估相比，所提出的方法表现出更高的准确性和效率。本研究为花生荚果的表型评估提供了一种高效且客观的AI解决方案，提高了DUS测试的效率和结果的稳定性，并促进了AI在花生育种中的应用。

引言

花生是一种重要的油料和经济作物，在世界许多地区广泛种植。花生的荚果形态特征是品种鉴定和遗传改良的关键标准，特别是荚果喙部明显度和荚果收缩等特征。这些特征显著影响花生的商业价值和品种稳定性（Radhakrishnan等人，2022年；Deng和Han，2019年）。然而，目前评估花生荚果特征的方法主要依赖于手动检查和定性描述。这些方法高度主观且缺乏一致性，这限制了它们在大规模育种和品种鉴定中的应用。

目前，评估花生DUS（独特性、一致性和稳定性）的关键特征主要依赖于手动观察和传统的定性方法，特别是在测量荚果喙部明显度和荚果收缩等特征时，缺乏统一的定量标准（Liu等人，2012年）。尽管DUS测试指南包括相关的测量标准，但它们仍然依赖于定性描述，这对评估的一致性和准确性提出了挑战。因此，开发更科学、客观和精确的定量评估方法至关重要。

花生荚果DUS关键特征评估的核心挑战是如何准确和稳定地描述果实口和果实腰部等关键部分。因此，引入了关键点检测技术来自动定位和分析花生荚果的关键部分，为荚果特征的客观量化提供了有效的方法。Ding等人（2024年）通过引入GhostNet模块、ACmix注意力机制、坐标注意力机制和改进的损失函数，优化了YOLO-Pose模型用于人体姿态估计。实验结果表明，该模型将mAP50和mAP50-95分别提高了5.24%和5.05%。He等人（2024年）提出了一种名为DEKR-SPrior的模型（基于底层检测的解耦关键点回归和结构先验），通过引入结构先验模块，提高了荚果定位的准确性，并实现了花生荚果中种子的准确计数。实验结果表明，该模型显著优化了表型分析性能，将平均绝对误差从25.81降低到21.11。Lv等人（2024年）提出了一种时空网络模型STPoseNet，通过时间跟踪和卡尔曼滤波策略显著提高了鼠标行为实验视频中关键点检测和姿态估计的准确性。实验结果表明，关键点距离误差（20.826和7.149）明显优于其他方法。Chen等人（2024年）提出了基于YOLO-Pose框架的TBKNet关键点检测网络，实现了87.1%的平均准确性，并显著提高了mAP值。这一进展为密集茶芽采摘点的精确定位提供了关键技术支持。Cheng等人（2023年）改进了Mask R-CNN网络，实现了86.6%的检测准确率、88.3%的召回率和85.9%的关键点定位准确率，有效解决了自动茶芽收获中的检测和定位挑战。Yang等人（2024年）开发了一种改进的Yolov7-Pose模型，用于实时检测六种牦牛行为，实现了高准确性（89.9%）、召回率（87.7%）和mAP（90.4%）。然而，现有的关键点检测研究主要集中在大豆等作物的表型分析上。大多数关键点检测对象和评估目标并未涉及花生作物和DUS测试框架。对于花生荚果复杂的形态和精细的结构，精确检测关键结构至关重要。此外，通过利用关键点的空间位置信息构建定量指标，可以为花生荚果DUS测试中关键特征的定量分析提供可行的技术路径。

现有的作物DUS研究表明，不同作物逐渐引入了数字方法来减少手动评估的主观性。Dun?erski等人（2023年）通过比较数字图像分析（DIA）和标准方法（SA），量化了玉米的三个关键农艺特征，包括籽粒数量、穗长和穗径。结果显示籽粒数量和穗长完全一致，穗径有6.7%的差异。Zhu等人（2024年）使用图像识别和机器学习技术开发了一种自动化的山茶花DUS测试方法。通过利用模式识别系统量化42个花形特征，他们优化了算法并选择了22个核心特征，实现了99.13%的品种分类准确性。此外，Pourabed等人（2015年）使用微卫星分子标记进行水稻DUS测试的品种鉴定和聚类分析，有效区分了不同品种。这种方法可以作为形态特征评估的补充工具，显著提高了测试的可靠性和区分能力。这些研究表明，用客观数据替代手动经验并通过定量分析提高DUS测试的一致性是作物品种鉴定的发展趋势。相比之下，关于花生荚果形态特征的定量分析方法的研究相对有限。Deng Limiao等人（2015年）提出了一种基于Freeman链码的图像处理方法，用于自动识别和量化花生荚果的喙部和收缩特征。然而，这种方法主要依赖于传统的图像处理程序，其识别性能受到图像分割和边缘检测步骤的限制。在复杂形态和多样样本条件下的鲁棒性仍有改进空间（Mohanty等人，2023a，Mohanty等人，2023b；Mohanty等人，2023a，Mohanty等人，2023b）。因此，探索一种能够稳定定位关键荚果结构的方法至关重要。将这些结构转换为可解释的定量指标对于促进花生荚果DUS特征的标准化评估具有重要意义。

为了解决当前花生荚果DUS测试方法的局限性，本研究的主要目标是提出一种基于关键点检测的方法，用于量化花生荚果DUS特征，特别关注荚果喙部明显度和荚果收缩。为了实现这一目标，我们引入了PeanutNet模型和关键点校正机制，进一步提高了花生荚果中关键点定位的准确性。基于校正后的关键点信息，我们提出了荚果喙部明显度和荚果收缩的定量表征方法。本研究的具体贡献包括：

(1)

创建了花生荚果数据集：构建了一个包含15个品种的4506张花生荚果图像的数据集。

(2)

提出了PeanutNet关键点检测模型：本研究提出的PeanutNet模型针对花生荚果中的关键点检测任务优化了YOLOv8-Pose框架，实现了关键荚果结构的定位。

(3)

提出了关键点校正算法：为了解决PeanutNet模型中的关键点倾斜问题，我们提出了一种关键点校正方法，进一步提高了荚果喙部和腰部等关键点的检测准确性。

(4)

建立了DUS特征的定量方法：基于校正后的关键点数据，提出了两种新的量化方法，用于测量喙部突出度和腰部收缩度，为花生荚果DUS特征评估提供了明确的定量标准。

(5)

开发了定量分析平台：开发了一个用户友好的定量分析平台，便于自动化评估花生荚果DUS特征。

实验材料

本实验使用的花生荚果来自中国山东省东营市黄河三角洲的耐盐碱示范基地，地理坐标为北纬37.29°，东经118.72°。实验材料包括15个花生品种，总样本量为4828个。此外，一些品种具有密切的遗传关系，因为它们来自相同的父本和母本系。详细信息

实验环境和设置

实验在配备Nvidia RTX 3060 Ti GPU、Intel Core i5-12490F CPU和16 GB RAM的计算机上进行。操作系统是Windows 10。网络训练使用Python 3.8和PyTorch框架实现。在关键点检测模型训练期间，批量大小设置为16，学习率为0.001，训练周期数为300，使用随机梯度下降（SGD）作为优化器。

关键点检测模型的结果

为了提高检测性能

数据样本

样本数据的多样性和充分性是确保更丰富和更全面的定量范围的关键因素（Kroupová等人，2022年）。本研究中使用的数据样本能够在一定程度上反映花生荚果形态特征的变化模式。然而，仍存在一些限制。尽管当前数据集包括多个花生品种，但某些品种之间的遗传背景相对接近，限制了形态变化的范围

未来工作

尽管该方法在关键点检测准确性和DUS特征量化方面取得了良好的结果，但仍存在一些局限性。未来的研究将扩大数据集的大小，重点收集NO等级和Weak等级的花生荚果样本，以更全面地描述弱特征等级的形态变化。此外，将在不同采集条件和应用场景下获得的样本纳入研究，以进一步验证和完善

结论

本研究提出了一种用于花生荚果DUS（独特性、一致性和稳定性）特征的关键点检测和定量评估方法，重点关注花生荚果喙突和收缩的准确表征。在关键点检测任务中，模型在50% IOU阈值下的平均准确率（map）为93.7%，在50% ?95% IOU范围内的平均准确率（map）为93.1%。针对关键点偏差问题，关键点

CRediT作者贡献声明

华振路：撰写——原始草稿、可视化、验证、监督、软件、项目管理、调查、形式分析、概念化。赵金猛：可视化、软件、调查。张炳正：验证、软件、形式分析。乔丽仙：方法论、调查、数据管理、概念化。邓立苗：撰写——审阅与编辑、可视化、验证、资源、项目管理、资金获取。

利益冲突声明

作者声明他们没有已知的竞争财务利益或个人关系可能影响本文报告的工作。

致谢

本工作得到了山东重点研发项目（2021LZGC026-07,2021LZGC026-05）、山东高等教育机构的Qingchuang Talents Induction计划（008/1622001）和青岛科技项目（23-1-3-8-zyyd-nsh）的财政支持。