葡萄簇结构和紧凑度是影响产量、品质和对病虫害的敏感性的重要果实性状。簇结构与簇紧凑度直接相关，簇紧凑度描述了浆果占据的体积与总簇体积之间的比率。集群结构决定了浆果在集群中的排列和自由空间的分布，集群结构复杂，难以定量测量，果轴分枝方式受浆果数量、大小、形状、空间位置等因素的影响。虽然可以通过观察聚类轮廓来识别聚类结构的某些特征，但更精确的分析需要对聚类内的单个浆果进行识别和空间定位。

2024年6月，Plant Phenomics在线发表了University of California Davis题为Segment Anything for Comprehensive Analysis of Grapevine Cluster Architecture and Berry Properties的研究论文。

该论文研究测量了SAM（Segment Anything Model）在分割葡萄果簇图像中可见果实的准确性，重点考察了其在无需额外模型训练或微调情况下的表现。探讨了在图像中预测隐藏果实的能力，并分析了拍摄角度对识别果实的影响。开发了新的定量方法，基于果实在果簇中的分布，描述果的结构特征，提出了新的指标来分析果簇的形态结构。最后评估了果簇结构和紧凑性特征在重复实验中的一致性，检验了这些性状的可重复性和稳定性。

图1 用于生成和处理SAM掩模的流程总结

首先，测量SAM在识别果簇图像中可见果实的准确性，这一部分的研究目标是评估SAM模型（图1）在分割图像中清晰可见的果实时的性能。研究使用了加州大学戴维斯分校的F1杂交种群，包括Cabernet Sauvignon和Riesling品种，这些品种在果簇结构上具有显著差异。

图2 对葡萄簇目标进行拍摄

研究中，每个植株选取5个代表性果簇进行成像，使用Canon EOS 70D相机配备24mm定焦镜头，设置固定的光圈和曝光时间以保证图像质量。成像过程中，每个果簇至少从一个角度进行拍摄，部分果簇从四个角度（0°, 90°, 180°, 270°）拍摄（图2），以评估果簇的复杂结构。图像采集后，使用SAM进行处理。首先，定义了感兴趣区域（ROI）以减少处理像素数量。然后，利用预训练的ViT-H图像编码器进行掩码预测。通过在ROI内分布的XY网格点作为提示，SAM能够识别和分割图像中的浆果。研究中测试了不同网格配置的效率，最终选择了32×32的网格，因为它在计算效率和浆果检测数量之间取得了平衡。

图3 成像角度对聚类分析的影响

研究结果显示，SAM在识别2D果簇图像中的浆果方面表现出色，与人工识别的浆果数量的相关性达到0.96。尽管由于视线遮挡问题，图像中的可见浆果计数通常低估了实际的果簇浆果数量，但研究表明这种差异可以通过线性回归模型进行调整。此外，研究还强调了成像角度对浆果计数和果簇结构评估的重要性，发现不同角度的成像可以导致浆果计数变化约±50%（图3）。

图4 浆果位置沿着水平和垂直轴的累积分布

通过SAM生成的浆果掩码，研究者能够详细分析果簇结构，包括浆果在果簇中的空间分布。利用浆果位置信息，研究者计算了基于浆果分布的复杂特征，比如果簇的累积分布函数和果簇形状的定量描述（图4）。这些分析有助于深入理解果簇结构的遗传和环境影响，为葡萄园管理和育种提供科学依据。

总体而言，本研究成功展示了SAM在葡萄果簇和浆果属性分析中的应用潜力，为未来在葡萄园条件下直接应用计算机视觉技术提供了新的可能性。通过这种方法，研究人员可以在不依赖于传统训练数据的情况下，快速准确地分析大量果簇图像，为葡萄育种和栽培管理提供有力的工具。

论文链接：

https://doi.org/10.34133/plantphenomics.0202‍

——推荐阅读——

LiDAR Is Effective in Characterizing Vine Growth and Detecting Associated Genetic Loci 

https://doi.org/10.34133/plantphenomics.0116

Plant Phenomics | 激光雷达能够高效地描述葡萄的生长情况和检测相关遗传位点

Semi-supervised Counting of Grape Berries in the Field Based on Density Mutual Exclusion

https://doi.org/10.34133/plantphenomics.0115

Plant Phenomics | 武汉工程大学基于密度互斥的田间葡萄果实半监督计数

加入作者交流群