来源：期刊VIP网 时间：
作者：贾凌云;刘新;吴小伟;申迎迎;魏晗艳;冯汉青;
单位：西北师范大学生命科学学院;
摘要：针对植物叶片识别率低、边缘提取模糊而影响高精度表型分析的问题，为提升复杂叶片场景下的自动识别与分割能力，以主流目标检测模型YOLOv5s为基础，融合Swin Transformer模块与RepVGG模块，构建了一种新型的目标检测模型(YOLO-STR),用于植物生长过程的实时叶片监测与分析。该模型融合全局注意力机制与轻量化卷积结构，以增强复杂叶片场景的特征表征能力，实现高效、精准的叶片面积计算。研究以野生型拟南芥(WT)及ATP受体突变型(p1k1/p2k2)为对象，结合外源ATP处理，采集其全生命周期图像数据，以构建模型训练与验证的数据集。在此基础上，对模型结构进行了系统评估，通过消融实验分析不同模块组合的性能差异，并结合多种主流检测算法的对比实验，综合检验了模型在复杂叶片场景中的识别与分割能力。对比实验结果表明：YOLO-STR模型在叶片自动分割任务中的量化性能指标值均超过0.985,平均准确率(mAP@0.5)达98.5%,显著优于YOLOv7、YOLOv5s和YOLOv3等5种主流模型(mAP@0.5提升4.3%～23.6%)。消融实验结果验证了Swin Transformer模块和RepVGG模块在增强特征表达与模型轻量化中的协同作用：Swin Transformer模块可使模型识别精度提升7.3%,而RepVGG模块可将参数量减少2.9 M。结合高斯面积计算与相机几何标定，该方法进一步实现了拟南芥叶片生长过程的动态监测。监测结果表明，外源ATP处理显著抑制了野生型植株的生长，但对突变体植株的影响不明显。综上可知，YOLO-STR模型在叶片自动识别和面积动态监测中表现出高精度和良好的实时性，不仅有效解决密集叶片场景下识别精度不足的问题，还为植物生长速率定量分析及外源ATP生理效应研究提供了可靠的数据驱动监测工具。
关键词：植物生长实时监控;;数据驱动;;拟南芥;;YOLOv5s模型;;Swin Transformer;;RepVGG
基金资助：国家自然科学基金项目(32460074,31870246);; 甘肃省重点研发计划项目(23YFNA0022,22YF7NA119);; 甘肃省自然科学基金重点项目(24JRRA124);; 甘肃省高校研究生“创新之星”项目(2025CXZX-LXS033);; 首席科学家项目(25RCKA018);; 云南省科技厅创新引导与科技型企业培育计划项目(202304BU090009)
