分析方法增强葡萄浆果分割，以改进葡萄园管理和育种计划

一个研究团队证明，分段任意模型（SAM）准确地识别了2D葡萄簇图像中的单个浆果，与人类识别的浆果具有很强的相关性（Pearson的R2=0.96）。这种方法从大约3500张图像中生成了超过150000个浆果面具

结果显示了将SAM集成到现有葡萄园图像处理管道中以改进集群架构和紧凑性分析的潜力。未来的应用包括通过提供精确的浆果数量和空间信息来加强葡萄园管理和育种实践

葡萄簇结构和紧凑度显著影响产量、品质和疾病易感性。这些性状很复杂，受浆果大小和排列等因素的影响，很难准确测量。目前的方法，如视觉评分和计算机视觉，在精度和可扩展性方面有局限性

在2024年6月27日发表在《植物表型》杂志上的一项研究中，研究人员旨在使用分段任何模型（SAM）在没有额外训练的情况下在2D图像中分割葡萄浆果，从而提高分析集群结构和紧凑性的准确性和效率，以改进葡萄园管理和育种计划

该研究对387株葡萄树和1935个集群使用了SAM算法，生成了215090个掩模。对于99株葡萄藤，从四个角度对集群进行成像，得到3431张图像。该算法识别了各种物体，过滤掉55550个重叠或大小不合适的浆果面具，留下153939个真正的浆果面具

平均每簇浆果数为44.87个，呈正态分布。处理时间随网格密度的变化而变化；32 x 32网格在CPU上每个图像花费55秒，在GPU上花费14秒。增加到62 x 62点将处理时间增加到4分45秒

聚类图像中的浆果计数显示出与手动计数的高度相关性（R2=0.93），但被低估了约50%。这种低估是一致的，可以通过线性回归进行校正，将精度提高到0.8723的调整后R2。

Berry大小的预测更具可变性，但也可以线性调整（调整后R2=0.8457）。成像角度显著影响浆果数量的预测，尤其是对于不对称的聚类，而浆果大小的影响较小。该方法对聚类结构特征和遗传变异具有敏感性，对浆果数量和聚类紧凑度等性状具有一致的可重复性

该研究的高级研究员Diaz Garcia说：“我们强调了聚类成像角度的关键重要性，注意到它对浆果数量和结构的实质性影响。我们提出了不同的方法，其中浆果位置信息有助于计算与聚类结构和紧凑性相关的复杂特征。

”最后，我们讨论了SAM在葡萄园条件下与当前可用的图像生成和处理管道的潜在集成。“

总之，本研究使用SAM算法在2D聚类图像中准确分割葡萄浆果，使用线性回归校正了50%的低估值（调整后的R2=0.87）。研究结果突出了SAM在葡萄园管理和育种计划中进行精确、可扩展的聚类分析的潜力