每周农机论文&专利精读

论文：Developing a segment anything model-based framework for automated plot extraction

Kim, H.S., Olaniyi, I., Chang, A. et al. Developing a segment anything model-based framework for automated plot extraction. Precision Agric 26, 53 (2025). https://doi.org/10.1007/s11119-025-10249-x

技术总结

该论文提出了一种基于**Segment Anything Model（SAM）** 的自动化地块提取框架，旨在实现农业田间试验中地块边界的精准、高效提取，支撑高通量表型分析。其核心技术流程包括三部分：  

1. 掩码生成：利用SAM的零样本分割能力，通过预设网格点作为提示生成初始地块掩码，再基于地块尺寸过滤无效掩码，无需模型训练或微调。

2. 方向估计与图像旋转：通过边缘检测和霍夫变换提取地块主导方向，将图像旋转至正交角度（0°或90°），优化边界识别精度。

3. 地块优化：将掩码转换为固定尺寸多边形，通过“网格填充”补充遗漏地块、“网格移除”删除重复/错误地块，并结合Canopeo植被覆盖度分析提升可靠性。

4. 该框架在5个小麦试验田数据集上验证效果优异：像素级平均F1分数达89.54%，多边形级在IoU=50%时精度达99.71%，且仅依赖RGB图像即可运行，适配不同地块布局、作物生长阶段及分辨率场景。  

基于SAM的自动化地块提取框架——重新定义农业田间表型分析效率

引言：为何需要自动化地块提取？

在农业田间试验中，地块（Plot）是表型分析的基本单元——不同品种、施肥方案或环境处理的作物差异，均需基于地块边界统计。传统地块提取依赖人工数字化，不仅耗时（处理1000个地块需3-5天），且易因主观误差导致边界偏移，影响后续产量估算、长势监测等分析的准确性。  

近年来，深度学习分割模型虽在图像识别中表现突出，但多依赖大量标注数据，且难以适配农田中作物遮挡、地块倾斜、背景复杂等场景。而Meta提出的SAM模型凭借“零样本分割”能力（无需训练即可识别新对象），为农业地块提取提供了新可能。本文介绍的SAM-based框架，正是通过优化SAM的应用逻辑，实现了地块提取的全自动化与高精度。  

技术框架：三步实现地块“自动勾勒”

该框架的核心逻辑是“利用SAM的通用分割能力+农业场景适配优化”，流程如图所示（示意图）：  

自动化地块提取框架流程图

Flowchart of the proposed plot extraction framework. The methodology consists of three main steps: mask generation, plot orientation estimation, and plot refinement

步骤1：掩码生成——让SAM“认出”地块

SAM的零样本分割能力需通过“提示（Prompt）”激活。框架中，研究人员预设均匀分布的网格点作为提示（参数“points per side=100”），引导SAM生成覆盖图像中潜在地块的初始掩码。  

生成的掩码需经过过滤：保留面积在预设地块尺寸范围内的掩码（如排除过小的杂草区域或过大的背景区域），得到初步的地块候选区域。  

SAM掩码生成与过滤效果

Sample segmentation results produced by the SAM model. (Left) Original RGB image, (Center) Random color-coded output masks, and (Right) Filtered masks retained based on plot dimensions (Color figure online)

步骤2：方向估计与图像旋转——给地块“正姿”

农田地块常因地形或种植习惯呈倾斜分布（如1°-25°），导致SAM分割的边界出现偏差。框架通过以下操作校正：  

• 对初始掩码进行边缘检测，提取地块轮廓边缘；

• 用霍夫变换识别边缘中的主导直线，计算其角度作为地块整体方向；

• 旋转图像至正交角度（0°或90°），使地块边界与坐标轴平行。

• 地块方向校正效果

• Illustration of the plot orientation estimation and image rotation process. a RGB image, b Segmented masks, c Filtered masks, d Detected edges, e Extracted lines based on the Hough Transform, and f Rotated image after alignment correction

步骤3：地块优化——查漏补缺，去伪存真

经过前两步处理的地块仍可能存在遗漏（被遮挡）或重复标注问题，框架通过“网格填充”和“网格移除”优化：  

• 网格填充：基于已知地块的行列间距构建规则网格，对网格中未识别到地块的位置，用SAM重新分割验证，补充符合尺寸的遗漏地块；

• 网格移除：计算相邻地块 centroids 距离，删除距离过近的重复地块；结合Canopeo植被覆盖度（通过RGB三通道计算的植被指数），保留覆盖度更高的有效地块。

• 地块优化前后对比

• Examples of the plot refinement process. a Initial plot centroids (red) and regular grid (yellow), b Initial plot cells, c Plots after grid filling, d Duplicated plot centroids (random color-coded), e Duplicated plot cells, f Plots after grid removal (Color figure online)

性能验证：精度与效率双突破

在5个涵盖不同地块尺寸、倾斜角度、生长阶段的小麦试验田数据集上，该框架表现如下：  

• 精度指标：像素级平均F1分数89.54%，多边形级在IoU=50%时精度99.71%，远超传统人工标注的一致性（人工标注误差率约5-8%）；

• 效率提升：处理含500个地块的区域仅需20分钟，较人工标注（3天）提速约216倍；

• 泛化能力：仅依赖RGB图像，无需多光谱或LiDAR数据，适配不同分辨率（0.1-1m）和作物覆盖度场景。

• 更重要的是，通过Canopeo植被覆盖度回归分析发现，该框架提取的地块对作物生长状态的表征能力优于人工标注（R²=0.92 vs 0.85），为表型分析提供更可靠的基础数据。  

应用与展望

该框架的落地将推动农业研究从“人工主导”向“AI驱动”转型：  

• 高通量表型：快速匹配地块与基因、环境数据，加速作物育种进程；

• 精准农业：结合地块级长势监测，实现变量施肥、灌溉的闭环管理；

• 成本降低：摆脱对专业标注人员和多光谱设备的依赖，单地块提取成本降低70%。

• 未来，研究团队计划拓展框架至不规则地块（如弧形、多边形）和多作物类型（玉米、水稻等），并通过轻量化模型优化，适配边缘设备实时处理需求。  

专利：识别农业机械中配置错误的植物识别模型-Blue River

US20250212866A1_IDENTIFYING INCORRECTLY CONFIGURED PLANT IDENTIFICATION MODELS IN A FARMING MACHINE.pdf

摘要

该专利（US 2025/0212866 A1）公开了一种能识别农业机械中错误配置的植物识别模型的技术，核心是农业机械的控制系统通过监控植物识别模型性能，确定其是否适用于田间植物检测。具体而言，控制系统获取田间植物图像，应用第一植物识别模型识别植物为第一类的概率，再通过验证模型基于该概率判断植物是否为第二类；随后应用第二植物识别模型识别第二类植物，并对其进行处理。该技术可自动检测模型配置错误并调整，提升农业作业效率与准确性。

一、专利概述

• 基本信息：该专利为美国专利申请公开（US 2025/0212866 A1），公开于2025年7月3日，申请人为Blue River Technology Inc，发明人为Anuradha Chandrashekar等8人，核心是解决农业机械中植物识别模型配置错误的问题，提升田间作业的准确性和效率。

• 背景：现代农业机械依赖植物识别模型进行精准作业（如除草、施肥），但模型配置错误可能导致作物损伤、除草无效等问题，传统依赖人工配置易因人为误差出错，因此需要自动识别并纠正配置错误的系统。

二、系统组成

三、核心工作流程

1. 获取图像：农业机械在田间移动时，通过图像采集系统获取田间植物的多张图像。

2. 应用第一植物识别模型：对图像应用第一植物识别模型，确定植物为第一类的概率（likelihood）。

3. 确定第二类植物概率：基于第一模型的结果，通过验证模型计算田间植物为第二类的概率。

4. 应用第二植物识别模型：根据上述概率，应用第二植物识别模型识别第二类植物，确定其为第二类的概率。

5. 处理植物：农业机械对识别为第二类的植物进行处理（如喷洒农药、除草等）。

四、关键技术细节

• 植物识别模型：可识别多种植物类别，输出植物属于某一类别的概率；第一和第二模型可为同一模型（通过参数调整识别不同类别）。

• 验证模型：通过两种方法判断植物识别模型配置是否正确：①基于单张图像的置信度阈值（如 aggregate class 置信度高于阈值则配置正确）；②结合当前及历史图像的 aggregate class 结果（如连续多张图像结果不符则配置错误）。

• 概率计算：计算植物为某一类别的概率时，可应用平滑函数处理历史图像的 likelihood 结果，提高准确性。

五、响应措施

• 配置正确时：继续按当前模型进行作业，处理识别出的植物。

• 配置错误时：①暂停当前作业；②自动调整模型参数（重新配置第一模型作为第二模型）；③向操作员发送通知，接收操作员指令后调整配置。

六、关键问题

1. 问题：系统如何判断植物识别模型配置错误？

2. 系统通过验证模型判断配置错误，主要有两种方法。一是基于单张图像，若植物识别模型输出的 aggregate class 与模型配置的目标类别不符，或置信度低于阈值，则判定配置错误；二是结合当前及历史图像的 aggregate class 结果，若连续多张图像的结果与目标类别不符（如3张中有2张不符），则判定配置错误。

3. 问题：第一植物识别模型和第二植物识别模型的关系是什么？它们可以是同一个模型吗？

4. 第一和第二植物识别模型用于识别不同类别的植物，第二模型的应用基于第一模型的结果（通过验证模型确定田间植物更可能为第二类）。它们可以是同一个模型，通过重新配置参数（如识别目标类别），使同一模型分别作为第一和第二模型使用。

5. 问题：当系统判定植物识别模型配置错误时，会采取哪些具体措施？

6. 系统可能采取三种措施：①暂停当前作业，避免错误处理植物；②自动调整模型参数，将第一模型重新配置为第二模型，以识别正确类别；③向操作员发送包含错误概率的通知，接收操作员指令后调整模型配置（如切换识别类别）。