基于小样本学习和骨架提取算法的干旱胁迫杨树苗表型解析

杨树是木材生产加工的重要来源和防护林建设的重要树种,中国的杨树人工林栽培规模居世界首位。然而,全球变暖加剧使得干旱成为杨树培育中最为严重的典型的非生物胁迫,给木材原料形成、森林资源保护带来挑战。该研究采用低成本的机器视觉成像研究干旱胁迫杨树苗表型快速解析方法。首先,提出了基于YOLOv8-pose的杨树骨架提取算法,识别植株上的叶片个体及内部的关键节点,实现植株整体形态结构信息的提取。其次,引入小样本学习技术,提出基于极少量人工标注的训练数据集扩充方法,大幅降低YOLOv8-pose模型训练的人工标注成本。然后,依据杨树骨架信息计算每个叶片主叶脉、叶柄的倾角,并将倾角信息转换为频数分布,便于人工智能算法建模。最后,研究并对比了传统机器学习及深度学习分类器,选择最优算法建立干旱胁迫等级分级模型。结果表明,小样本学习YOLOv8-pose模型在叶片识别、关键点提取任务中表现优异(交并比阈值为0.5时的平均精度分别为0.798和0.914);基于一维卷积神经网络分类模型和倾角频数分布特征的杨树苗干旱胁迫等级分级模型优于其他对比方法,分类准确率为0.850。该研究提出的杨树表型解析方法可为缺水杨树识别、抗旱杨树筛选提供新的技术支持。