Utafiti huu unalenga kufuatilia mchakato wote wa ukuaji wa koliflower kuanzia hatua ya mche hadi uvunaji wa kibiashara kwa kutumia picha za RGB, kutoa kiotomatiki fenotipu za kimofolojia, kimaendeleo na za kategoria; kisha kutabiri uzito wa kichwa cha koliflower kutokana na sifa hizo na kutathmini kwa kina nyenzo 47 za germplasm. Watafiti waliunda seti mbalimbali za data kutokana na picha 9.672 halali za mimea na kulinganisha miundo minane ya mgawanyo wa vielelezo: Mask R-CNN, HTC, SOLOv2, YOLACT, Mask2Former, YOLOv8s-seg, YOLO11s-seg na YOLO12s-seg; YOLO11s-seg ilichaguliwa kuwa modeli msingi ya pamoja kwa sababu ya uwiano wake wa usahihi na kasi katika kazi nyingi. Baada ya upana wa mmea na kipenyo cha kichwa cha koliflower kilichokokotolewa kutoka kwenye picha kuonyesha ulinganifu wa R²=0,929 na R²=0,935 na vipimo vya mkono, sifa za picha zilitumika kutabiri uzito wa kichwa, na modeli ya CatBoost stepwise, inayofanya upangaji wa awali kulingana na aina ya ukakamavu, ilipata R²=0,872 katika jaribio huru. Hata hivyo, jaribio linategemea picha za genotipu 47 pekee katika mazingira ya greenhouse/platform moja; sampuli ya uzito wa kichwa ni ndogo kwa kiasi, na kwa kuwa uundaji wa kiainishaji cha ukakamavu katika mfumo wa stepwise haukuripotiwa kwa undani wa kutosha, ujanibishaji kwa mazingira, mifumo ya upigaji picha na makusanyo mengine ya germplasm unapaswa kuthibitishwa tofauti.

Kipengele cha kuvutia cha utafiti si kugawanya mmea katika sehemu kutoka kwenye picha pekee. Kutokana na mfululizo huohuo wa muda, aina mbalimbali za data kama upana wa mmea, eneo la majani, eneo la kichwa cha koliflower, kipenyo cha kichwa, rangi ya kichwa, umbo la jani, rangi ya jani, sifa ya kikonyo cha jani, muda wa hatua ya mche, muda wa hatua ya roseti, muda wa kukomaa kwa kichwa na kipindi chote cha ukuaji huunganishwa katika mnyororo mmoja wa fenotaipu. Lengo la mwisho ni kuunda mchakato wa uchanganuzi usiogusa mmea kadiri iwezekanavyo na wenye tija kubwa, kuanzia upigaji picha hadi tathmini ya aina/germplasm.

Tatizo kuu la utafiti ni lipi?

Katika uboreshaji wa koliflower na uainishaji wa germplasm, sifa nyingi kama upana wa mmea, eneo la majani, kipenyo cha kichwa, rangi na muda wa maendeleo kwa kawaida huhitaji uchunguzi wa binadamu au vipimo vya mkono. Ingawa baadhi ya vipimo haviangamizi mmea kabisa, vinahitaji kazi; sifa kama uzito wa kichwa huhitaji kuvuna na kupima, jambo linalositisha ufuatiliaji wa maendeleo ya baadaye ya mmea huohuo.

Tatizo ambalo utafiti unajaribu kutatua ni pana kuliko modeli ya picha inayopima sifa moja tu kwa wakati mmoja. Watafiti wanalenga kujenga mfumo jumuishi unaofuatilia nyenzo ileile katika kipindi chote cha ukuaji, kupima mofolojia ya mmea na kichwa kwa mgawanyo wa picha, kukokotoa hatua za maendeleo kutoka kwenye mfululizo wa muda, kuainisha sifa za kategoria na, katika hatua ya mwisho, kutabiri/kutathmini uzito wa kichwa pamoja na utendaji wa germplasm.

Nyenzo za jaribio na mfumo wa kukusanya picha

Utafiti ulitumia germplasm ya koliflower ya mistari safi 47 ya ekotipu za vuli iliyotolewa na Fujian Academy of Agricultural Sciences. Jaribio lilifanywa Oktoba 2024 katika mazingira ya greenhouse ya taasisi, na mimea ilikuzwa kwa nafasi ya 1,0 m.

Picha za RGB zilipigwa wima kupitia jukwaa la fenotaipu ya shambani lenye tija kubwa. Ili kupunguza athari za mabadiliko ya mwanga wa mazingira kwenye picha, pembe nne na kitovu cha eneo la jaribio vilipimwa kwa spectrometer kabla ya kila upigaji; upigaji picha ulianza wakati wastani wa nguvu ya mwanga

\[ 120-150\ \mu mol\ m^{-2}\ s^{-1} \]

ulipokuwa thabiti ndani ya kiwango hicho.

Picha zilipigwa mara moja kila baada ya siku 3, kuanzia siku ya kwanza baada ya kupandikiza hadi ukomavu wa kichwa cha germplasm ya mwisho ukamilike. Kwa jumla, picha 9.672 halali za mimea zilitengenezwa kutoka hatua za miche, roseti na uvunaji wa kibiashara. Aidha, picha 141 zilipatikana kutoka vichwa vilivyokomaa. Azimio la picha zote ni pikseli 2096 × 2508.

Mtini 1 unaonyeshaje mchakato wa uzalishaji wa data?

Mtini 1 unaonyesha katika mchoro mmoja mfumo wa reli wa jukwaa la fenotaipu juu ya greenhouse, kitengo cha upigaji picha cha RGB, picha za mimea zilizochukuliwa kwa muda na mantiki ya uwekaji wa lebo nyingi. Seti tofauti za data ziliundwa kutokana na miundombinu hiyo hiyo ya picha: hatua ya ukuaji, umbo la jani, rangi ya jani, sifa ya kikonyo cha jani na rangi ya kichwa.

Muundo huu unaonyesha kanuni kuu ya usanifu wa utafiti: badala ya kujenga mfumo tofauti wa sensa kwa kila fenotipu, picha sanifu za RGB hutumiwa tena kwa kazi mbalimbali za mgawanyo na uainishaji.

Seti za data ziliundwaje?

Uamuzi muhimu wa kimetodolojia ulikuwa kutogawanya picha moja moja kwa nasibu. Picha za mmea huohuo zilizopigwa katika tarehe tofauti zikiingia katika seti za mafunzo na majaribio zinaweza kuunda utendaji wa juu kwa njia ya bandia. Kwa hiyo, kitengo cha mgawanyo kilichaguliwa kuwa mmea binafsi badala ya picha, na nyenzo ziligawanywa katika seti za mafunzo, uthibitishaji na majaribio kwa uwiano wa 8:1:1.

Ni miundo gani ya mgawanyo ililinganishwa?

Miundo minane tofauti ililinganishwa ndani ya utafiti mmoja:

• Mask R-CNN;
• Hybrid Task Cascade (HTC);
• SOLOv2;
• YOLACT;
• Mask2Former;
• YOLOv8s-seg;
• YOLO11s-seg;
• YOLO12s-seg.

Uteuzi huu unajumuisha mbinu mbalimbali za mgawanyo wa hatua mbili, hatua moja na unaotegemea Transformer. Katika tathmini ya modeli, si usahihi wa mAP pekee uliozingatiwa, bali pia idadi ya vigezo, FLOPs na idadi ya fremu kwa sekunde (FPS). Jambo hili ni muhimu kwa sababu katika fenotaipu yenye tija kubwa, modeli yenye usahihi wa juu zaidi lakini yenye kasi ndogo sana inaweza isiwe inayofaa zaidi kwa matumizi.

Mipangilio ya mafunzo ya modeli

Mafunzo yalifanywa kwenye Windows 11 kwa kichakataji cha Intel Core i9-13900HX na GPU ya NVIDIA GeForce RTX 4060. Mazingira ya programu yalijumuisha Python 3.8.20, PyTorch 2.0.0, torchvision 0.15.1 na CUDA 11.8.

Kwa nini YOLO11s-seg ilichaguliwa?

Matokeo ya utafiti hayaonyeshi mpangilio rahisi wa “modeli mpya zaidi huwa bora kila wakati”. Katika baadhi ya kazi, Mask2Former au modeli nyingine za YOLO ziliizidi YOLO11s-seg katika vipimo fulani vya usahihi. Uteuzi wa watafiti ulitokana na kutathmini pamoja usahihi thabiti na kasi kubwa ya uendeshaji katika kazi tano.

Katika grafu za usahihi dhidi ya kasi za Mitini 2, 4, 6, 8 na 9, modeli za jadi zinaonekana kutoa usahihi wa juu katika baadhi ya kazi, lakini mzigo wa vigezo/FLOP na muda wa uendeshaji huwa mkubwa zaidi. Ubora mkuu wa YOLO11s-seg si kushinda kipimo kimoja, bali kubaki na uwiano katika kazi nyingi.

Ulinganisho wa kuona wa modeli unaeleza nini?

Mitini 3, 5 na 7 haionyeshi tu thamani za namba za mAP, bali pia makosa ambayo modeli hufanya katika picha halisi za koliflower. Katika mifano ya hatua ya ukuaji, baadhi ya modeli ziliainisha hatua ya roseti kama mche au hatua ya uvunaji kama roseti; YOLACT na baadhi ya modeli za jadi zilitengeneza mipaka iliyogawanyika au isiyokamilika.

Katika picha za rangi ya kichwa, vichwa vyenye rangi hafifu vilivyofunikwa na majani ni mifano migumu hasa. Baadhi ya modeli zilikosa lengo au ziligawa sehemu inayoonekana pekee, huku YOLO11s-seg ikitoa kategoria sahihi na mpaka kamili zaidi katika mifano yote wakilishi iliyoonyeshwa na chanzo.

Katika ulinganisho wa umbo la jani, kutenganisha kategoria zenye mofolojia inayofanana na kuchora kwa usahihi kontua ya mmea wote kunaonekana kuwa changamoto kuu. Picha hizi zinaunga mkono kwamba uteuzi wa modeli hautegemei usahihi wa lebo ya darasa pekee, bali pia ubora wa kimfumo wa mask.

Upana wa mmea na kipenyo cha kichwa vilihesabiwaje kutoka kwenye picha?

Chanzo kinaeleza kuwa katika kipimo cha picha, pikseli 1.956 zinalingana na urefu halisi wa 100 cm. Milinganyo iliyochapishwa ni kama ifuatavyo:

\[ PixelArea(cm^2)= \left( \frac{1956}{Width_{100}} \right)^2 \]

\[ LA(cm^2)=PixelArea\times Sum_{Leaf\ Pixel} \]

\[ CA(cm^2)=PixelArea\times Sum_{Curd\ Pixel} \]

\[ PW(cm)= \left( \frac{W_{plant}+H_{plant}}{2} \right) \times \left( \frac{1956}{Width_{100}} \right) \]

\[ CD(cm)= \left( \frac{W_{curd}+H_{curd}}{2} \right) \times \left( \frac{1956}{Width_{100}} \right). \]

Hapa LA inawakilisha eneo la jani, CA eneo la kichwa, PW upana wa mmea na CD kipenyo cha kichwa; \(W\) na \(H\) zinaonyesha upana na urefu wa kisanduku chenye mipaka cha lengo la mgawanyo kwa kipimo cha pikseli.

Maelezo kuhusu fomula ya ndani ya chanzo: maandishi yanasema pikseli 1.956 zinalingana na 100 cm na kwamba \(Width_{100}\) ni idadi ya pikseli inayolingana na 100 cm, lakini milinganyo iliyochapishwa inatumia uwiano wa \(1956/Width_{100}\). Hili halijaelezwa wazi kwa upande wa ubadilishaji wa kipimo. Fomula ya chanzo haijarekebishwa hapa. Kwa hiyo, hasa wakati ubadilishaji wa eneo unapohitaji kutekelezwa tena, mlinganyo uliochapishwa haupaswi kuchukuliwa kuwa wa kutosha peke yake bila msimbo wa awali wa hesabu au maelezo ya waandishi.

Vipimo vilivyotolewa kwenye picha vililingana kwa kiwango gani na vipimo vya mkono?

Uthibitishaji ulifanywa siku ya 90 baada ya kupandikiza. Uchambuzi wa upana wa mmea ulihusisha mimea 120 kutoka kwenye germplasm 43, huku uchambuzi wa kipenyo cha kichwa ukifanywa kwa mimea 87 kutoka kwenye germplasm 35 yenye vichwa vinavyoonekana.

Pointi za mtawanyiko katika Mtini 10 zimejikusanya karibu na mstari wa rejea wa 1:1. Histogramu za mabaki zimejikita karibu na sufuri, na hakuna muundo wa mwelekeo ulioonekana katika grafu za mabaki dhidi ya fitted. Kulingana na tafsiri ya chanzo, matokeo haya yanaunga mkono ulinganifu wa juu wa upana wa mmea na kipenyo cha kichwa vilivyotokana na picha na vipimo vya mkono.

Vipindi vya ukuaji vilitolewaje kutoka kwenye picha?

Baada ya modeli kuainisha mmea katika kila picha yenye tarehe kuwa katika hatua ya mche, roseti au uvunaji wa kibiashara, mfululizo wa muda wa mmea huohuo ulitumika.

• SSD: muda kutoka kupandikiza hadi siku iliyo kabla ya siku ambayo hatua ya roseti ilitambuliwa kwa mara ya kwanza;
• RSD: muda kutoka utambuzi wa kwanza wa roseti hadi utambuzi wa kwanza wa uvunaji wa kibiashara;
• CMD: muda kutoka utambuzi wa kwanza wa uvunaji wa kibiashara hadi mmea kuvunwa na kuonekana kwa mara ya kwanza kama mandharinyuma kwenye picha;
• GP: kipindi cha jumla cha ukuaji kutoka kupandikiza hadi tarehe ambayo mmea ulitambuliwa kwa mara ya kwanza kama mandharinyuma.

Kwa hiyo, uainishaji wa tarehe binafsi ulibadilishwa moja kwa moja kuwa fenotipu za muda wa maendeleo.

Ni mahusiano gani yenye nguvu zaidi kati ya fenotipu?

Ramani ya joto ya korelashioni katika Mtini 11 inaonyesha mahusiano yaliyo wazi kati ya ukuaji wa mmea, maendeleo ya kichwa na uzito wa kichwa. Korelashioni kuu zilizoripotiwa na chanzo ni hizi:

Haya ni mahusiano ya korelashioni; kwa mfano, eneo kubwa la majani pekee halithibitishi kwamba husababisha ongezeko la uzito wa kichwa. Aidha, umbo la jani, rangi ya jani, kikonyo cha jani na rangi ya kichwa vilibadilishwa kuwa misimbo ya namba katika uchanganuzi. Kwa kuwa chanzo kinasema wazi kuwa misimbo hii haimaanishi mpangilio wa kiasi au ubora, tafsiri ya korelashioni za Pearson zilizohesabiwa kwa kategoria hizi inapaswa kufanywa kwa tahadhari kubwa.

“Ukakamavu” ulifafanuliwaje?

Katika utafiti, ukakamavu wa kichwa (CC) ulifafanuliwa kama uwiano wa uzito wa kichwa uliopimwa kwa mkono na eneo la kichwa lililopatikana kutoka kwenye picha:

\[ CC=\frac{CWt}{CA}. \]

Hapa CWt inawakilisha uzito wa kichwa, na CA eneo la kichwa la pande mbili lililotolewa kwenye picha. Kwa hiyo, ukubwa huu si kipimo cha moja kwa moja cha msongamano halisi wa pande tatu, bali ni faharasa ya ukakamavu inayotegemea uwiano wa uzito na eneo kwa ajili ya upangaji katika utafiti.

Katika uchanganuzi wa K-means elbow, thamani ya WCSS ilishuka kwa kasi kutoka 93,55 katika K=1 hadi 34,37 katika K=2, kisha upungufu ukawa wa polepole. Kwa hiyo K=2 ilichaguliwa.

• Loose: ukakamavu kwa kiasi kikubwa 1,33–3,59;
• Tight: ukakamavu kwa kiasi kikubwa 3,70–5,75;
• eneo la takriban la mgawanyo: 3,6.

Katika Mtini 12, mkusanyiko wa mgawanyo huo katika maeneo tofauti unaunga mkono tofauti hii kwa kuona.

Kwa nini uzito wa kichwa ulitabiriwa kwa hatua mbili badala ya moja kwa moja?

Dhihirisho la chanzo ni kwamba uhusiano wa uzito na eneo unaweza usiwe sawa kwa nyenzo mbili zenye eneo lilelile la kichwa cha pande mbili ikiwa miundo yake ya ukakamavu inatofautiana. Kwa hiyo, mikakati miwili ya utabiri ililinganishwa.

Direct: sampuli zote hutabiriwa kwa modeli moja ya regressioni.

Stepwise: kwanza darasa la ukakamavu la sampuli, Loose au Tight, huamuliwa; kisha modeli ya regressioni ya uzito maalum kwa kundi husika hutumika.

Familia tano za modeli — CatBoost, Random Forest, Linear Regression, SVM/SVR na MLP — zilijaribiwa kwa mikakati yote miwili.

Modeli bora ya uzito wa kichwa ilifanikiwa kwa kiwango gani?

Kulingana na Jedwali la 4, matokeo bora yalitoka kwenye modeli ya CatBoost stepwise:

Chanzo kinaeleza ongezeko la test R² kutoka Direct CatBoost hadi stepwise CatBoost kuwa %7,9 kwa kulinganisha. Hata hivyo, familia zote za modeli hazikuonyesha mwenendo uleule: katika Random Forest, stepwise R² ilishuka hadi 0,659, huku modeli ya direct ikipata 0,779. Kwa hiyo, hitimisho la kisayansi si “stepwise ni bora kila wakati”, bali ni kwamba katika seti hii ya data ilitoa matokeo bora kwa modeli nyingi, hasa CatBoost.

Kwa nini R²=0,775 inaonekana katika Mtini 13, lakini ni 0,872 katika Jedwali la 4?

Nambari hizi mbili hazikutokana na hesabu ileile ya tathmini. Jedwali la 4 linatoa ulinganisho wa seti huru ya majaribio, ilhali chanzo kinasema kuwa kwa Mtini 13 kilitumia “overall regression analysis” tofauti iliyounganisha utabiri wa majaribio ndani ya 5-fold cross-validation.

Katika uchanganuzi huu, kwa CatBoost stepwise

\[ R^2=0.775,\qquad RMSE=178.85\ g,\qquad MAE=136.65\ g \]

iliripotiwa. Kwa mkakati wa direct, R²=0,749 na RMSE=189,10 g. Chanzo kinasema wazi kuwa vipimo hivi si lazima viwe sawa kabisa na vipimo vya jaribio huru katika Jedwali la 4.

Hata hivyo, kwa kuwa uhusiano kati ya mgawanyo wa 8:1:1 na istilahi ya 5-fold “test-set predictions” haujatolewa kwa undani wa kutosha, uhusiano kamili wa itifaki hizi mbili za tathmini hauwezi kuzalishwa upya kutokana na maandishi ya chanzo.

Je, Mtini 14 unaunga mkono mantiki ya mbinu ya stepwise?

Eneo la kichwa lilipofitishwa kwa mstari mmoja kwa sampuli zote, tofauti iliyoelezwa ya uzito wa kichwa ilikuwa tu

\[ R^2=0.382 \]

Ilipogawanywa katika madarasa ya ukakamavu, mahusiano ya mstari yalitofautiana:

• Kundi la Loose: R²=0,506;
• Kundi la Tight: R²=0,830.

Tofauti kubwa ya miteremko ya regressioni ya makundi hayo mawili katika Mtini 14 inaonyesha kuwa kueleza sampuli zote kwa uhusiano mmoja kunaweza kuficha utofauti. Grafu hii haithibitishi CatBoost moja kwa moja; kama chanzo kinavyosema, inaonyesha tu kwamba makundi ya ukakamavu yana mahusiano tofauti ya uzito na eneo.

Je, kuna pengo muhimu la uweza wa kuzalisha tena katika mbinu ya stepwise?

Ndiyo. Chanzo kinasema kuwa sampuli isiyojulikana huainishwa kwanza kuwa Loose au Tight kwa “compactness-type classifier”, kisha regressioni ndogo inayofaa huchaguliwa. Hata hivyo, hakijaeleza kwa undani fenotipu zipi kiainishaji hiki kilitumia kama ingizo, kilijengwa kwa familia gani ya modeli, mafanikio ya uainishaji yalikuwa yapi na lebo za K-means zilisimamiwaje ndani ya mgawanyo wa train/test.

Hali hii inafanya iwe vigumu kutumia tena modeli ya stepwise. Kwa kuwa uzito halisi wa kichwa ulitumika katika kufafanua lebo ya ukakamavu, ni muhimu kuandika wazi iwapo upangaji uliundwa kwa data ya mafunzo pekee. Kwa kuwa chanzo hakitoi maelezo hayo, haiwezi kudaiwa kuwa kulikuwa na kuvuja kwa data; hata hivyo, hatari ya kimetodolojia haiwezi pia kuondolewa kabisa bila uthibitishaji huru wa nje.

Mfumo wa tathmini wenye akili ulikaribia kwa kiwango gani tathmini ya mkono ya germplasm?

Katika hatua ya kwanza, tathmini mbili tofauti za PCA zilifanywa kwa kutumia sifa 10 zilizokuwa za pamoja katika mifumo ya tathmini ya mkono na yenye akili. Thamani za KMO zilikuwa 0,630 kwa mfumo wa mkono na 0,611 kwa mfumo wenye akili, na jaribio la sphericity la Bartlett lilikuwa muhimu katika kiwango cha P<0,001 katika mifumo yote miwili.

Mifumo hiyo miwili:

• iliwatambua HCS4 na HCS3 kwa pamoja miongoni mwa nyenzo zilizofanya vizuri zaidi;
• ilitoa tathmini zinazofanana kwa nyenzo zenye alama za chini kama ZXHC-117 na ZXHC-169;
• ilionyesha ulinganifu wa nafasi wa %50 katika nyenzo 10 za kwanza;
• %65 katika nyenzo 20 za kwanza;
• na %80 katika nyenzo 10 za mwisho.

Matokeo haya hayamaanishi kuwa mfumo wenye akili ulinakili orodha ya mkono moja kwa moja. Tofauti zilionekana hasa katika nyenzo za nafasi za kati. Tafsiri salama zaidi ya chanzo ni kwamba mfumo uliweza kuzalisha tena kwa kiwango fulani mwelekeo wa jumla wa kutenganisha ncha za juu na za chini.

PCA ilionyesha nini katika mfumo kamili wa tathmini wenye sifa 12?

Katika PCA iliyofanywa kwa sifa 12 za kiotomatiki au zilizotumiwa na mfumo, KMO=0,679 na jaribio la Bartlett

\[ \chi^2=475.529,\qquad df=66,\qquad P<0.001 \]

ziliripotiwa.

PC1 ina loadings chanya za juu hasa kwenye eneo la majani, kipenyo cha kichwa, eneo la kichwa, upana wa mmea, uzito wa kichwa na msimbo wa rangi ya kichwa, na chanzo huitafsiri kama mhimili wa ukuaji–maendeleo ya kichwa/uzalishaji.

Hata hivyo, chanzo kinasema wazi kuwa misimbo ya namba ya umbo la jani, rangi ya jani, kikonyo cha jani na rangi ya kichwa ni lebo za kategoria pekee. Matumizi ya misimbo hii kama vigeu endelevu vya kiasi katika PCA hayakujaribiwa tofauti na chanzo. Kwa hiyo, loadings za sifa za kategoria hazipaswi kutafsiriwa kama “umbali” halisi wa kimwili au gradienti ya mstari ya fenotipu.

Germplasm 47 iliwekwaje katika makundi?

Uchanganuzi wa clustering uliofanywa kwa kutumia sifa 12 uliigawa nyenzo 47 katika makundi manne:

• Kundi I: aina yenye uwiano mpana;
• Kundi II: aina yenye uzito mkubwa wa kichwa na inayokomaa kwa kuchelewa kiasi;
• Kundi III: aina maalum yenye mmea mkubwa, kichwa kikubwa na mavuno ya juu;
• Kundi IV: aina yenye mmea mdogo, kichwa kidogo na ukomavu wa mapema.

Kundi III lilikuwa na nyenzo HCS4 pekee. Chanzo kinaripoti kwa nyenzo hii upana wa mmea wa 152,26 cm, eneo la majani la 15.146,80 cm², eneo la kichwa la 514,14 cm², kipenyo cha kichwa cha 26,51 cm, muda wa kukomaa kwa kichwa wa siku 27 na uzito wa kichwa wa 2.582,27 g.

Kundi IV limefafanuliwa kuwa kundi lenye thamani za chini zaidi katika sifa nyingi za kiasi na kipindi cha wastani cha ukuaji kilicho kifupi zaidi, cha siku 94,58.

Ni nyenzo zipi zilijitokeza katika upangaji wa jumla wa alama?

Alama za jumla za vipengele zilizoundwa kwa kutumia michango ya variance ya sehemu kuu nne zilitofautiana kutoka -1,02 hadi 1,87.

Orodha hii iko katika muktadha wa sifa 12 zilizoainishwa na chanzo na uzito wa PCA uliotumika. Haumaanishi ubora wa kilimo wa jumla kama “aina bora”; mazingira tofauti ya ukuzaji au malengo ya uboreshaji yanaweza kuleta vipaumbele tofauti.

Jukwaa la programu lililotengenezwa linafanya nini?

Mtini 16 unaonyesha programu ya frontend yenye moduli tatu kuu:

• Utoaji wa fenotipu: hupakia kwa pamoja picha zilizopigwa wakati mmoja, hutoa hatua ya ukuaji, upana wa mmea, eneo la majani, umbo la jani, rangi ya jani, kikonyo cha jani, eneo la kichwa, kipenyo cha kichwa na rangi ya kichwa, kisha husafirisha matokeo kwenda Excel;
• Uchambuzi wa hatua ya ukuaji: huhesabu muda wa SSD, RSD, CMD na GP kutoka kwenye faili sanifu za fenotipu;
• Utabiri wa uzito wa kichwa: hutabiri uzito kwa modeli ya CatBoost stepwise iliyofafanuliwa awali.

Maelezo ya chanzo cha kuona: Kichwa “Broccoli Phenotype Analysis Platform” kinaonekana kwenye skrini ya programu katika Mtini 16. Kwa kuwa kichwa cha kazi, nyenzo na sehemu yote ya mbinu vinahusu cauliflower/koliflower, lebo hii ya kiolesura ni kutolingana kwa majina ndani ya chanzo; si data ya chanzo iliyorekebishwa kimya na Verianla.

Matokeo yanayoungwa mkono na utafiti

• Katika greenhouse na mazingira ya upigaji picha yaliyotafitiwa, YOLO11s-seg ilitoa uwiano imara wa usahihi na kasi katika kazi nyingi za fenotaipu ya koliflower.
• Upana wa mmea na kipenyo cha kichwa vilivyotolewa kwenye picha vilionyesha ulinganifu wa R²>0,92 na vipimo vya mkono katika sampuli zilizochaguliwa za uthibitishaji.
• Fenotipu za kimaendeleo kama mche, roseti, ukomavu wa kichwa na muda wa jumla wa ukuaji ziliweza kukokotolewa kutoka kwenye mfululizo wa muda wa picha.
• Katika nyenzo zilizochunguzwa, uzito wa kichwa ulionyesha korelashioni muhimu na mofolojia ya kichwa, ukubwa wa mmea na baadhi ya muda wa maendeleo.
• Modeli ya CatBoost stepwise ilipata R² ya juu zaidi, 0,872, katika tathmini huru ya majaribio ya utafiti.
• Makundi ya ukakamavu yalifanya utofauti wa uhusiano wa eneo la kichwa na uzito uonekane.
• Vipengele vinne vya PCA vilieleza %79,587 ya variance katika sifa 12 zilizotumika.
• Germplasm 47 iliweza kugawanywa katika makundi manne tofauti kulingana na sifa za kifentipu zilizofafanuliwa na chanzo.

Matokeo ambayo utafiti hauyaungi mkono au haujayathibitisha

• Haijaonyeshwa kuwa YOLO11s-seg ndiyo modeli bora ya mgawanyo kwa mashamba yote ya koliflower, kamera zote au mazingira yote.
• Haijathibitishwa kuwa modeli ya CatBoost stepwise itadumisha utendaji wa R²=0,872 katika aina nyingine au mazingira mengine ya ukuzaji.
• Uzito wa kichwa haupimwi moja kwa moja kutoka kwenye picha kwa maana halisi kabisa; modeli hutabiri uzito kutokana na fenotipu nyingine.
• Faharasa ya ukakamavu iliyotumiwa na utafiti si kipimo cha moja kwa moja cha msongamano wa tishu halisi wa pande tatu.
• Korelashioni hazithibitishi kuwa fenotipu yoyote husababisha ongezeko la uzito wa kichwa.
• Tofauti za namba kati ya misimbo ya kategoria hazimaanishi tofauti za fenotipu za kiasi zenye vipindi vilivyo sawa kibiolojia.
• Upangaji wa alama za germplasm wenye akili haukuunda upya tathmini ya mkono moja kwa moja; tofauti zilionekana hasa katika nyenzo za nafasi za kati.
• Matokeo yaliyopatikana kwa greenhouse moja, jukwaa moja la picha na mkusanyo mdogo wa genotipu hayawezi kuchukua nafasi ya majaribio ya uboreshaji katika mazingira mengi.

Mbinu na Matokeo ya Utafiti

1. Upigaji picha wa kipindi chote cha ukuaji

Germplasm 47 ilipigwa picha kwa vipindi vya siku tatu kutoka kupandikiza hadi ukomavu, na picha 9.672 halali za RGB za mimea ziliundwa. Wakati wa kupiga picha, ilijaribiwa kuweka mwanga wa mazingira katika kiwango cha 120-150 μmol m^-2 s^-1. Lengo lilikuwa kupunguza mabadiliko yanayotokana na mazingira ya upigaji picha katika utendaji wa modeli.

2. Mgawanyo wa data katika kiwango cha mmea

Kwa seti ya data ya hatua ya ukuaji, picha 3.363 zilichaguliwa kwa vipindi vya siku sita na kuwekwa mask kwa kutumia Labelme. Ili kuzuia picha za mmea huohuo katika siku tofauti kuingia katika sehemu tofauti za data, operesheni ya split ilifanywa katika kiwango cha utambulisho wa mmea na uwiano ukawekwa kuwa 8:1:1.

3. Kuchanganua miundo minane ya mgawanyo

Katika ulinganisho wa modeli, vipimo vya usahihi vya mAPbox50, mAPbox50-95, mAPmask50 na mAPmask50-95 vilitumika; Params, FLOPs na FPS zilitumika kama vipimo vya gharama ya hesabu/deployment.

Katika kazi ya hatua ya ukuaji, YOLO11s-seg ilifikia 86,96 FPS ikiwa na %93,0 mAPmask50-95. Katika kazi ya rangi ya kichwa iliripoti 96,15 FPS; katika kazi ya kikonyo cha jani iliripoti %98,70 mAPmask50-95 na 91,74 FPS.

Mask2Former ilitoa matokeo ya juu zaidi ya usahihi katika baadhi ya kazi, hasa umbo na rangi ya jani; hata hivyo, watafiti waliona kasi yake ya takriban 9-10 FPS kuwa hasara kwa fenotaipu yenye tija kubwa. Kwa hiyo, uteuzi wa mwisho ulitegemea uwiano kati ya kazi, si jedwali moja la usahihi pekee.

4. Kutoka mgawanyo hadi fenotipu za kimwili

Pikseli za mmea na kichwa zilitolewa kutoka kwenye mask za YOLO11s-seg; upana wa mmea, eneo la majani, kipenyo cha kichwa na eneo la kichwa vikakokotolewa kwa kutumia moduli ya Cal-area. Kwa kuwa kulikuwa na kutolingana kwa ndani katika milinganyo ya ubadilishaji wa kipimo iliyochapishwa, milinganyo hiyo haikutumiwa katika umbo lililorekebishwa kutoka nje.

Uthibitishaji wa moja kwa moja ulifanywa kwa kulinganisha thamani zilizotolewa kwenye picha na vipimo vya mkono, na R²=0,929 ilipatikana kwa upana wa mmea huku R²=0,935 ikipatikana kwa kipenyo cha kichwa.

5. Utoaji wa fenotipu za maendeleo kutoka kwenye mfululizo wa muda

Muda wa SSD, RSD, CMD na GP ulikokotolewa kwa kutumia mabadiliko ya kwanza ya madarasa ya mche-roseti-uvunaji katika picha zinazofuatana za mmea huohuo. Kwa hiyo, matokeo ya mgawanyo/uainishaji yalibadilishwa kuwa si sifa ya kimofolojia pekee, bali fenotipu ya muda wa maendeleo.

6. Uwekaji wa misimbo kwenye sifa za kategoria

Chanzo kilibadilisha sifa nne za kategoria kuwa misimbo ya namba kwa madhumuni ya uwasilishaji wa kitakwimu:

Kulingana na maelezo ya chanzo chenyewe, namba hizi ni misimbo ya kategoria pekee; si kiasi endelevu, ubora au mpangilio wa ubora. Kwa hiyo, katika matokeo ya baadaye ya korelashioni na PCA, ukubwa wa namba wa misimbo ya kategoria haupaswi kupewa maana ya kimwili.

7. Kuunda utabiri wa uzito wa kichwa

Modeli za CatBoost, Random Forest, Linear Regression, SVM na MLP zilijaribiwa kwa uzito wa kichwa. Data iligawanywa kwa uwiano wa 8:1:1 na 5-fold cross-validation ilitumika wakati wa mafunzo.

Mbinu ya Direct hutumia regressioni moja kwa nyenzo zote. Mbinu ya Stepwise kwanza huunda aina za Loose na Tight kulingana na ukakamavu unaotokana na uwiano wa uzito wa kichwa na eneo la kichwa, kisha hutumia regressioni maalum kwa kila aina.

Katika Jedwali la 4, CatBoost stepwise ilitoa utendaji bora:

\[ R^2_{test}=0.872 \]

\[ RMSE=155.05\ g,\qquad MAE=126.24\ g,\qquad MAPE=12.44\%. \]

Tafsiri ya namba hizi imewekewa mipaka na mgawanyo wa data wa utafiti wenyewe. Uthibitishaji wa nje wa cross-environment au cross-platform haukufanywa.

8. Uchanganuzi wa jumla wa regressioni

Katika uchanganuzi tofauti wa jumla ambao chanzo kilifanya kwa kuunganisha utabiri wa 5-fold, CatBoost stepwise ilitoa R²=0,775 na RMSE=178,85 g. Ingawa thamani za utabiri na vipimo katika Mtini 13 zinaonyesha kwa ujumla uhusiano chanya wa mstari, idadi ya sampuli zenye uzito mkubwa ni ndogo na mgawanyo si sawia.

R² hii si mbadala wa thamani ya 0,872 katika Jedwali la 4; chanzo kinawasilisha uchanganuzi huo miwili kama taratibu tofauti za tathmini.

9. K-means na utofauti katika muundo wa kichwa

Uchanganuzi wa K-means wa faharasa ya ukakamavu ulitengeneza elbow iliyo wazi katika K=2 na kuzigawanya nyenzo kuwa Loose/Tight. Katika sampuli zote, uhusiano wa mstari wa eneo la kichwa na uzito ulikuwa R²=0,382, huku katika kundi la Tight ukipanda hadi R²=0,830. Chanzo kinauona utofauti huu kuwa mojawapo ya sababu za kutumia modeli ya stepwise.

10. PCA na tathmini jumuishi ya germplasm

PCA iliyofanywa kwa sifa 12 ilizalisha sehemu kuu nne na variance iliyofafanuliwa kwa jumla ilikuwa %79,587. Alama jumuishi ilikokotolewa kwa kutumia sehemu hizi; HCS4 iliripotiwa kuwa na alama ya juu zaidi ya 1,87, na ZXHC-117 ya chini zaidi ya -1,02.

Uchanganuzi wa clustering uliigawa nyenzo 47 katika makundi manne. Katika ramani ya joto ya Mtini 15, inaonekana wazi kwamba Kundi III lina HCS4 pekee na lina thamani za juu zilizosanifiwa katika fenotipu nyingi za ukuaji/kichwa.

11. Jukwaa la programu ya fenotaipu

Katika hatua ya mwisho ya utafiti, programu ya frontend iliundwa ikiunganisha upakiaji wa picha, utoaji wa fenotipu, uchanganuzi wa kipindi cha maendeleo na utabiri wa uzito wa CatBoost. Mfumo unaweza kusafirisha matokeo katika muundo wa Excel.

Kuonyeshwa kwa jukwaa hili ndani ya utafiti kunaonyesha kuwa kazi haikuishia kwenye kulinganisha usahihi wa modeli pekee, bali ilijaribu kutengeneza mfano wa matumizi wa mwisho hadi mwisho. Hata hivyo, kichwa “Broccoli Phenotype Analysis Platform” kinachoonekana katika kiolesura ni kutolingana kwa majina ambako hakijaelezwa katika chanzo.

12. Nguvu kuu

• Kupiga picha za nyenzo zilezile kwa kurudiwa katika kipindi chote cha ukuaji;
• plant-level split iliyozuia picha za mmea huohuo kuingia katika sehemu tofauti za data;
• kulinganisha miundo minane ya mgawanyo katika familia ileile ya kazi;
• kuunganisha sifa za kimofolojia, kimaendeleo na za kategoria katika mnyororo mmoja;
• kuthibitisha moja kwa moja vipimo vya picha kwa vipimo vya mkono;
• kujaribu kutabiri sifa ya uharibifu kama uzito wa kichwa kutoka kwenye fenotipu nyingine za picha;
• kuendeleza matokeo ya mgawanyo hadi PCA, clustering na tathmini ya germplasm;
• kubadilisha uchanganuzi kuwa kiolesura cha programu kinachoweza kutumika.

13. Vikwazo vikuu

• Germplasm 47 na greenhouse/platform moja ya picha zilitumika.
• Ukubwa wa sampuli kwa utabiri wa uzito wa kichwa ni mdogo.
• Uthibitishaji wa nje kati ya mazingira, miaka na kamera/platform tofauti haukufanywa.
• Kuna kutolingana kwa ndani ya chanzo katika milinganyo iliyochapishwa ya ubadilishaji wa kipimo cha pikseli-kimwili.
• Kuna matatizo ya kihisabati/kiandishi katika uwasilishaji wa milinganyo iliyochapishwa ya R²/RMSE.
• Maelezo na utendaji wa compactness-type classifier katika modeli ya stepwise havikuripotiwa vya kutosha.
• Haijawekwa wazi jinsi makundi ya K-means yalivyofitishwa kulingana na mgawanyo wa train/test.
• Ingawa misimbo ya kategoria si kiasi endelevu, iliingizwa kwa njia ya namba katika uchanganuzi wa korelashioni na PCA.
• Uhusiano kati ya regressioni ya jumla ya cross-validation na tathmini huru ya majaribio haujawekwa wazi kikamilifu.
• Lebo ya “Broccoli” katika kiolesura cha programu haiendani na nyenzo ya cauliflower ya utafiti.

Hii ina maana gani kwa mtazamo wa Türkiye?

Utafiti huu ulifanywa kwenye greenhouse, jiometri ya kamera na germplasm 47 maalum ndani ya Fujian Academy of Agricultural Sciences nchini China. Kuhamisha moja kwa moja R² ileile au usahihi wa mgawanyo kwa programu za uboreshaji wa koliflower nchini Türkiye hakutakuwa sahihi kisayansi.

Iwapo unatakiwa kutumiwa katika mazingira ya Türkiye, ukusanyaji mpya wa picha na uthibitishaji wa nje ungehitajika kwa genotipu za koliflower za eneo hilo, mazingira tofauti ya greenhouse na shamba la wazi, mabadiliko ya mwanga wa jua na kivuli, msongamano wa upandaji, kufunikana kwa majani, urefu na optiki ya kamera, pamoja na vigezo vya uvunaji vya eneo hilo. Mchango wa utafiti kwa Türkiye si dhamana tayari ya utendaji, bali ni mfumo wa kimetodolojia unaoonyesha jinsi mfumo wa ndani wa fenotaipu wa aina hii unavyoweza kujengwa.

Maelezo ya Chanzo na Mbinu

Kazi ya awali: A deep learning-based pipeline for multi-trait phenotyping, curd weight prediction and germplasm evaluation in cauliflower across the whole growth period

Waandishi: Saichuan Cheng; Qingqing Shao; Mindong Chen; Jianting Liu; Boyin Qiu; Haisheng Zhu.

Mwandishi anayewajibika: Haisheng Zhu.

Uchangiaji wa pamoja/uandishi wa kwanza wa pamoja: Hakuna tamko kama hilo katika chanzo kilichopakiwa.

Uhusiano wa kitaasisi: Fujian Key Laboratory of Vegetable Genetics and Breeding, Crops Research Institute, Fujian Academy of Agricultural Sciences, Fuzhou 350003, China.

Aina ya chanzo: Kazi ya utafiti ya preprint.

Hali ya uhakiki: Kazi hii ni preprint na haijapitia tathmini ya wakaguzi. Faili iliyopakiwa inaonyesha hali hii wazi katika kila ukurasa.

Jukwaa la uchapishaji: SSRN.

Kitambulisho cha SSRN: 6837411.

DOI: 10.2139/ssrn.6837411

Tarehe ya kuchapishwa SSRN: 27 Mei 2026.

Idadi ya kurasa: Rekodi ya SSRN ina kurasa 45.

Jarida / juzuu / nambari: Haitumiki kwa kuwa hakuna toleo lililothibitishwa la jarida lililopitiwa na wakaguzi.

Kiungo rasmi: Ukurasa wa rekodi wa SSRN Abstract 6837411.

Ufikiaji wa wazi/leseni: Hakuna leseni ya wazi ya aina ya Creative Commons inayoruhusu matumizi ya jumla ya kujirudia iliyotambuliwa katika kazi iliyopakiwa. Kwa hiyo, vielelezo vya chanzo havikuchapishwa tena moja kwa moja.

Ufadhili: Hakuna tamko tofauti la ufadhili lililotambuliwa katika faili iliyopakiwa.

Upatikanaji wa data: Hakuna tamko tofauti la Data Availability au hazina ya data iliyo wazi lililotambuliwa katika faili iliyopakiwa.

Mgongano wa maslahi: Hakuna tamko tofauti la mgongano wa maslahi lililotambuliwa katika faili iliyopakiwa.

CRediT/michango ya waandishi: Hakuna tamko tofauti la mchango wa CRediT lililotambuliwa katika faili iliyopakiwa.

Nyenzo za majaribio: Germplasm ya koliflower ya mistari safi 47 ya ekotipu za vuli; Oktoba 2024; mazingira ya greenhouse ya Fujian Academy of Agricultural Sciences.

Upigaji picha: Picha 9.672 halali za RGB za mimea; pia picha 141 za vichwa vilivyokomaa; azimio la pikseli 2096 × 2508; muda wa upigaji picha wa siku tatu.

Miundo ya mgawanyo: Mask R-CNN, HTC, SOLOv2, YOLACT, Mask2Former, YOLOv8s-seg, YOLO11s-seg na YOLO12s-seg.

Modeli msingi iliyochaguliwa: YOLO11s-seg; uteuzi ulifanywa kwa uwiano wa usahihi wa mgawanyo, kasi ya inference na ugumu wa modeli katika kazi nyingi, badala ya kipimo kimoja cha juu zaidi cha usahihi.

Modeli za uzito wa kichwa: CatBoost, Random Forest, Linear Regression, SVM/SVR na MLP; mikakati ya direct na stepwise inayotegemea compactness ililinganishwa.

Utendaji wa juu zaidi wa jaribio huru ulioripotiwa: CatBoost stepwise, R²=0,872; RMSE=155,05 g; MAE=126,24 g; MAPE=%12,44.

Maelezo kuhusu fomula ya kipimo ndani ya chanzo: Ingawa maandishi yanaeleza kuwa pikseli 1.956 zinalingana na 100 cm, uwiano katika Milinganyo (1), (4) na (5) hauwezi kuoanisha wazi na ufafanuzi huo. Fomula ya chanzo haikurekebishwa kimya.

Maelezo kuhusu fomula ya takwimu ndani ya chanzo: Uwasilishaji wa Mlinganyo wa R² (6) uliochapishwa hauendani na ufafanuzi wa kawaida wa R². Alama k iliyotumika katika Mlinganyo wa RMSE (7) pia haiendani na ufafanuzi wa p katika maandishi ya maelezo. Vipimo vya matokeo vilivyoripotiwa vimehamishwa kwa namba za chanzo; milinganyo hii haikurekebishwa kutoka nje.

Maelezo kuhusu data ya kategoria: Ingawa chanzo kinasema wazi kuwa namba zilizotumika kwa LS, LC, PT na CCOL ni misimbo ya kategoria pekee na hazionyeshi uhusiano wa kiasi endelevu, baadaye kinajumuisha vigeu hivi katika uchanganuzi wa korelashioni na PCA. Kwa hiyo matokeo ya loading/korelashioni ya kategoria yanapaswa kutafsiriwa kwa tahadhari.

Kikomo cha kuripoti modeli ya stepwise: Ingizo, algoriti, utendaji wa uainishaji wa compactness-type classifier na nafasi kamili ya mchakato wa K-means fit ndani ya mgawanyo wa cross-validation/test hazikutolewa kwa undani katika chanzo. Kwa hiyo, mbinu haijaripotiwa katika kiwango cha kuweza kuzalishwa upya kikamilifu.

Maelezo kuhusu itifaki ya tathmini: Chanzo kinatumia kwa pamoja mgawanyo huru wa 8:1:1 na mbinu ya 5-fold cross-validation; kisha kinatoa uchanganuzi tofauti wa jumla wa regressioni unaounganisha utabiri wa majaribio wa fold. Kwa hiyo, thamani za test R² katika Jedwali la 4 hazipaswi kutumiwa badala ya thamani za jumla za R² katika Mtini 13.

Maelezo ya kiolesura: Ingawa programu imewekewa lebo “Broccoli Phenotype Analysis Platform” katika Mtini 16, utafiti unahusu cauliflower/koliflower. Kutolingana huku kwa chanzo kinachoonekana kumeripotiwa bila kurekebishwa.

Kikomo cha ujanibishaji wa kisayansi: Matokeo yalipatikana katika greenhouse moja, mfumo mmoja wa picha, germplasm ndogo na sampuli ndogo kiasi ya uzito wa kichwa. Bila uthibitishaji wa nje katika jiografia, msimu, kamera, mfumo wa upandaji na nyenzo za kijeni tofauti, haiwezi kudhaniwa kuwa utendaji huohuo utadumishwa.

Uaminifu kwa chanzo: Mpangilio wa jaribio, modeli, fomula, fenotipu, matokeo ya namba, tafsiri za grafu, makundi ya germplasm na vikwazo vya kimetodolojia katika maudhui haya ya Verianla vinategemea kazi ya kurasa 45 iliyopakiwa. Hakuna ugunduzi wa kisayansi ulioongezwa kutoka vyanzo vya nje; chanzo cha nje kilitumika tu kuthibitisha kibibliografia kitambulisho cha kazi, tarehe ya SSRN, DOI, mpangilio wa waandishi na hali ya uchapishaji.