荔枝作为中国重要的农业作物，表现出明显的大小年结果现象，即高产年的“大年”和低产年的“小年”交替出现。研究表明，中晚熟品种成花启动不稳定是结果不规律的主要原因。在花期快速而准确地定量雌花与雄花比例，能够支持开展针对性的调控管理策略，以优化花器发育并提高坐果率。本研究提出花朵定量与性别识别网络（FQGR-Net），这是一种用于同时完成雌花和雄花分类与计数的三分支神经网络架构。通过模块级优化，FQGR-Net在提升计数精度的同时提高了计算效率，并在自建数据集实验中于各类别上取得了较优的平均绝对误差（MAE）和均方根误差（RMSE）。与其他深度神经网络模型在公开数据集上的对比实验表明，所提方法达到了最优性能。对预测值与真实值进行回归分析后，雌花和雄花定量的决定系数（R2 ）分别取得较高水平。为填补自动化花量普查系统的技术空白，研究人员开发了专用荔枝花表型分析仪。田间试验表明，该系统在雌花/雄花计数中实现了超过80%的准确率。
该论文发表于《Plant Phenomics》，聚焦荔枝花期表型信息的自动获取问题，围绕“雌雄花同时识别与定量统计”构建了一套从算法到设备的完整技术体系。研究背景在于，荔枝产业具有显著的大小年结果特征，产量年际波动大，而中晚熟品种成花不稳定被认为是不规则结果的重要原因。荔枝为雌雄异熟的单性花植物，同一圆锥花序上雌花与雄花开放高峰通常并不重叠，且雌花比例普遍偏低。已有研究显示，较高的雌雄花比例通常与更高坐果率相关，因此，在花期快速、准确地统计雌花和雄花数量，对于花序调控、疏花管理、植物生长调节剂干预以及提高坐果率和产量稳定性都具有直接价值。
然而，传统花量调查主要依赖人工观察，不仅费时费力，而且容易受到视觉疲劳和主观判断影响。虽然计算机视觉与深度学习技术已广泛应用于花朵检测、花序分割和花量估测，但现有方法多集中于单一类别计数、单纯目标检测，或依赖将花朵摘取后置于规则背景中采图分析，难以满足自然生长状态下、复杂果园环境中的无损连续监测需求。尤其在荔枝这类花朵小、分布密、遮挡重、颜色纹理复杂的场景中，基于边界框标注、颜色阈值分割或单类密度图回归的方法均存在漏检率高、泛化性不足或无法同时给出雌雄分类统计的问题。基于此，研究人员提出FQGR-Net，旨在以点级标注（point-level annotation）为基础，在一次推理过程中同步实现荔枝雌花和雄花的识别与计数，并进一步将模型部署到便携式表型分析设备中，用于田间实时应用。
从技术方法看，研究首先于2022—2024年2月至4月在华南农业大学园艺学院和广州市农业科学院果树研究所采集“妃子笑”“桂味”“糯米糍”“紫娘喜”“小金钟”等多个品种的荔枝花图像，依据雄花与雌花的形态学差异进行点级标注，并构建双通道密度图真值。随后，以VGG16为骨干网络设计三分支结构：包括掩膜预测分支、粗密度回归分支和精细密度回归分支；并提出频率感知空洞模块（FADM，Frequency-Aware Dilated Module）、多尺度融合模块（MSFM，Multi-Scale Fusion Module）、轻量卷积LiteIncepDWConv（LIDWC）及动态上采样融合DySampleFusion，以提升多尺度适应性、抑制背景噪声并兼顾边缘部署效率。最后，研究人员基于ONNX Runtime将模型部署到Jetson Orin NX Super平台，开发出手持式荔枝花表型分析仪，在果园环境中完成实地验证。
研究结果部分较为系统，且各节围绕模型设计、性能验证、泛化能力和设备应用逐层展开。
3.1. Experimental Implementation Details
本节说明了实验平台与训练参数设置。研究人员在NVIDIA GeForce RTX 3070环境下，采用PyTorch 1.10.0、Cuda 9.2与Python 3.9进行训练。网络前13个卷积层使用ImageNet预训练VGG-16参数初始化，其余层采用高斯分布随机初始化；优化器使用Adam，结合早停策略控制过拟合。该部分为后续结果的可重复性提供了基础。
3.2. Ablation Experiments of FQGR-Net
本节通过消融实验验证各模块有效性。研究人员比较了Baseline、Baseline + MSFM、Baseline + FADM以及完整FQGR-Net四种配置。结果表明，MSFM引入多尺度特征共享后，平均MAE与RMSE均优于基线；FADM通过抑制背景噪声和类间干扰，也显著改善了计数性能。二者联合时获得最佳结果，说明尺度建模与前景增强在密集小目标双类别计数中具有协同增益。进一步的密度图可视化显示，在高密度和低密度花朵图像中，FQGR-Net生成的预测密度图与真实标注更一致，背景区域噪声响应更低，证明模型能更有效聚焦目标区域而减少误响应。
在此基础上，研究还单独分析了LIDWC与DySampleFusion的贡献。通过将LIDWC替换为标准卷积、将DySampleFusion与双线性插值及其原始LP/PL采样策略比较，结果表明，DySampleFusion在上采样过程中具有更好的特征对齐和细节重建能力；LIDWC则在可接受的精度损失下显著降低了参数量与计算复杂度，更适合边缘设备部署。针对伪标签生成中的前景/背景距离阈值，研究还进行了验证实验，结果支持将阈值设置为4，以获得最优综合性能。
3.3. Controlled Comparative Experiments
本节将FQGR-Net与MCNN、CSRNet、CANNet及FlowerNet等代表性网络在自建荔枝雌雄花数据集上进行比较。结果显示，FQGR-Net在平均MAE和RMSE上均取得最佳表现，显著优于对比模型。与仅能统计总花量的FCNN类方法相比，FQGR-Net能够同时输出雌花与雄花数量，为雌雄比估算提供更可靠依据。可视化比较进一步发现，其他模型预测密度图中存在大范围背景噪声，而FQGR-Net在背景区几乎无噪声响应，更真实反映了目标分布。该结果说明三分支架构及所提模块确实增强了复杂果园环境下的类别区分与密集计数能力。
3.4. Benchmarking Experiments on Public Datasets
本节用于验证模型的泛化能力。由于农业表型领域缺乏多类别公开数据集，研究人员将向日葵与梨花数据集合并，构建用于多类别评估的公开测试场景，并在MTC-UAV小麦穗数据集上开展单类别计数比较。结果显示，FQGR-Net在Sunflower-Pear数据集上相较MCNN、CSRNet、CANNet及基线网络均表现更优，说明其对远距离成像、小目标密集分布及尺度递减目标具有良好适应性。尤其是当前景到背景目标尺寸持续减小时，MSFM在多尺度上下文整合方面的优势得到直观体现。在小麦穗单类计数任务上，FQGR-Net同样取得最低MAE与RMSE，表明该模型不仅适用于荔枝雌雄花双类别任务，也适用于一般农业密集目标计数问题。
3.5. Regression Analysis for Flower Quantity Estimation
本节研究模型预测值与人工计数值之间的统计相关性。研究人员对雌花和雄花分别进行Pearson相关分析与最小二乘回归建模，结果显示二者均与真实计数呈显著正相关。回归分析得到的决定系数R
2 分别对应雌花和雄花的预测拟合效果，证明FQGR-Net对两类花量均具有较强解释能力和估测可靠性。这一结果进一步支持其在自动化花量检测中的应用价值。
3.6. In-Situ Flower Analysis Device Trial
本节验证便携式设备的实际应用效果。研究人员于2025年2月至3月在华南农业大学园艺学院荔枝果园基地开展田间试验，随机选取多个品种样本，利用手持式表型分析仪采集图像并进行现场推理。结果表明，该系统在雌花和雄花识别计数上均达到较高准确率，整体超过80%。研究同时指出，设备预测值与人工计数之间的偏差可能来自线性回归校正误差、FQGR-Net分类误差以及部分图像过曝。特别是由于雄花数量远多于雌花，在遮挡场景下少量雄花可能被误分为雌花，从而增加雌花密度图噪声。这些现象反映了田间复杂成像条件下模型应用仍存在一定挑战，但总体结果已证明系统具备实地应用可行性。
讨论部分主要总结了该研究的实际意义、技术优势与局限性。研究指出，荔枝花序是产量形成的关键生殖器官，雌花比例偏低且与坐果率密切相关，因此将FQGR-Net集成至花量监测设备后，可为变率疏花机械提供花序特征输入，按局部花密度调节疏花强度，降低机械损伤并提高作业精度。同时，该系统还可用于植物生长调节剂调控花性分化的园艺研究，提升处理效果评估效率；结合基因组学信息时，也可为与花性分化、花序分枝相关的数量性状位点（QTL，Quantitative Trait Loci）定位及亲本筛选提供表型支撑。
在方法学层面，讨论强调了多类别点级标注的优势：相较边界框标注，其无需精确描绘目标轮廓，特别适合密集遮挡场景，能够以更低成本实现更高质量标注；而将传统单类点标注计数扩展到多通道多类别框架，则提升了实际部署灵活性和应用范围。研究也明确指出局限性：模型性能受光照变化、图像分辨率和品种形态差异影响较大；高分辨率输入虽然有利于密集小目标定位，但会显著增加推理时间和计算负担；当前方法仅完成二维计数，尚未利用花序三维结构信息。未来工作拟通过补充过曝和低照度样本、引入IMX415传感器场景数据、探索直接坐标回归或集合预测范式、结合多视角或深度信息进行三维重建，并扩展至套作系统中的多类别计数任务，从而进一步提升系统鲁棒性、实时性与适用范围。
结论部分指出，本研究设计了一种三分支网络架构，围绕点标注数据的密度图回归开展系统研究，实现了荔枝花雌雄分类识别及各类别花量检测。FQGR-Net在自建荔枝花数据集上对雌花和雄花数量估测表现优异，并通过公开数据集验证了其鲁棒性。基于该模型开发的便携式荔枝表型分析仪实现了超过80%的识别计数准确率，能够在复杂果园环境中完成荔枝雌雄花分类与计数。总体而言，该研究一方面可为表型组学（phenomics）研究提供花量形成效率评估的核心参数，另一方面可为荔枝花性分化调控提供量化依据，以提高雌花比例、减少雄花数量。对花量动态的精准感知有望提升果园管理的时空分辨率，并通过优化资源配置改善果实商品化率与产业经济效益。
打赏
