在辣椒的育種與種子生產(chǎn)鏈條中，準(zhǔn)確鑒別品種是保障產(chǎn)業(yè)誠信與經(jīng)濟(jì)效益的基石。然而，傳統(tǒng)的鑒定方法正面臨“快”與“準(zhǔn)”難以兩全的困境：依靠人眼觀察的形態(tài)學(xué)評分雖然成本低廉，但結(jié)果高度依賴評估者的經(jīng)驗(yàn)，容易受到環(huán)境變化的影響，主觀性強(qiáng)且一致性差；而基于分子標(biāo)記的DNA分析雖然可靠性高，卻需要專業(yè)的實(shí)驗(yàn)室環(huán)境、特定的引物和數(shù)日的處理周期，成本高昂且操作復(fù)雜，難以在田間早期篩查中常規(guī)化使用。這使得育種者常常被迫在速度和準(zhǔn)確性之間做出取舍，這對于追求高效、精準(zhǔn)的現(xiàn)代育種體系而言，是一個(gè)不可持續(xù)的難題。

近年來，智能表型分析技術(shù)的興起，將成像技術(shù)與機(jī)器學(xué)習(xí)、計(jì)算機(jī)視覺相結(jié)合，為量化分析植物性狀提供了新途徑。深度學(xué)習(xí)模型在作物病害檢測、物種識別和性狀估計(jì)等方面已展現(xiàn)出強(qiáng)大潛力。然而，現(xiàn)有的大多數(shù)基于圖像的植物識別研究要么聚焦于物種層面的分類，要么是在實(shí)驗(yàn)室受控的成像條件下進(jìn)行的。對于辣椒(Capsicum frutescens)這類經(jīng)濟(jì)作物，在自然環(huán)境下的、品種級別的精細(xì)鑒別——尤其是當(dāng)品種間形態(tài)差異細(xì)微且非線性時(shí)——仍然是一個(gè)未被充分探索的領(lǐng)域。葉片形態(tài)在植物營養(yǎng)生長早期信息豐富，但極易受到光照、角度和背景噪聲的強(qiáng)烈干擾，這對傳統(tǒng)圖像描述符提出了巨大挑戰(zhàn)。

為了填補(bǔ)這一空白，一項(xiàng)發(fā)表在《Smart Agricultural Technology》上的研究，提出了一種將葉片形態(tài)視為“數(shù)字表型簽名”的田間可部署智能表型框架，旨在實(shí)現(xiàn)鳥眼椒品種的精細(xì)鑒別。該研究聚焦于四個(gè)鳥眼椒品種：Hiyung、Rawita、Prima Agrihorti和Rabani Agrihorti。

為了開展這項(xiàng)研究，研究人員構(gòu)建了一套完整的分析流程。首先，他們在印度尼西亞西爪哇的Lembang、Cibinong和Bogor三個(gè)辣椒育種田，使用標(biāo)準(zhǔn)智能手機(jī)(≥12 MP)在自然光下采集了總計(jì)3560張葉片圖像，每個(gè)品種890張，旨在捕獲真實(shí)田間條件下的表型變異。研究采用的核心技術(shù)方法包括：1) 圖像預(yù)處理與分割：對圖像進(jìn)行標(biāo)準(zhǔn)化處理(如CLAHE對比度增強(qiáng))，并通過HSV掩碼、Otsu閾值和Canny邊緣檢測等技術(shù)，從復(fù)雜背景中精準(zhǔn)分割出葉片區(qū)域。2) 手工特征提取：從分割后的葉片中提取手工制作的形態(tài)與紋理特征，包括葉面積、周長、圓形度等形態(tài)計(jì)量特征，以及灰度共生矩陣(GLCM)、局部二值模式(LBP)和方向梯度直方圖(HOG)等紋理與邊緣特征。3) 深度特征學(xué)習(xí)：采用遷移學(xué)習(xí)策略，微調(diào)了預(yù)訓(xùn)練的ResNet50、VGG16和InceptionV3模型，同時(shí)也訓(xùn)練了一個(gè)自定義的輕量級卷積神經(jīng)網(wǎng)絡(luò)(CNN)，以學(xué)習(xí)葉片的高層次抽象特征。4) 特征融合與分類：將手工特征與從深度網(wǎng)絡(luò)提取的特征進(jìn)行融合，形成混合表征，并用于最終的品種分類。整個(gè)研究通過重復(fù)實(shí)驗(yàn)、消融分析和混淆矩陣評估，系統(tǒng)比較了不同模型的性能。

分析確認(rèn)了四個(gè)辣椒品種間存在可測量的表型差異，其中葉長、葉寬、綠色強(qiáng)度和葉緣波紋度等性狀表現(xiàn)出最高的品種間對比度。然而，主成分分析顯示品種信號是部分重疊而非線性可分的，這證實(shí)了需要能夠建模非線性性狀相互作用的基于學(xué)習(xí)的方法。

在所有評估的方法中，遷移學(xué)習(xí)架構(gòu) consistently 優(yōu)于自定義CNN。其中，ResNet50在五次重復(fù)運(yùn)行中表現(xiàn)出最穩(wěn)定和一致的性能，平均準(zhǔn)確率達(dá)到83.5% ± 0.6。考慮到任務(wù)是在非受控的田間多地點(diǎn)條件下進(jìn)行的精細(xì)品種鑒別，超過80%的準(zhǔn)確率表明葉片形態(tài)保留了足夠的品種特異性信號，可用于早期驗(yàn)證。

評估了模型在葉片紋理、葉緣、葉形和葉脈四個(gè)特征組上的分類表現(xiàn)。ResNet50在所有類別中都表現(xiàn)出最穩(wěn)定的性能。葉形和葉緣特征具有最高的判別力，而基于葉脈的分類準(zhǔn)確率略低，這可能是由于葉脈結(jié)構(gòu)更精細(xì)，且對光照和分辨率變化更敏感。

一個(gè)關(guān)鍵發(fā)現(xiàn)是，結(jié)合手工形態(tài)描述符與深度特征表征，對于精細(xì)辣椒品種鑒別具有優(yōu)勢。混淆矩陣分析顯示，分類錯誤主要發(fā)生在形態(tài)相似的Prima和Rabani品種之間。在涉及這類重疊的情況下，混合表征通過將手工特征提供的明確形狀、葉緣和紋理線索與深度網(wǎng)絡(luò)學(xué)習(xí)到的高層抽象相結(jié)合，提高了召回率。消融實(shí)驗(yàn)證實(shí)，僅使用手工特征或僅使用深度特征的模型性能均不及融合配置。

盡管在不同采集地點(diǎn)觀察到了適度的性能波動，但沒有出現(xiàn)任何品種或模型配置的分類準(zhǔn)確性系統(tǒng)性崩潰。這表明學(xué)習(xí)到的表征捕獲了至少部分不受環(huán)境噪聲影響的品種性狀。對代表性手工特征的單因素方差分析(ANOVA)也顯示，大多數(shù)特征在三個(gè)地點(diǎn)間無統(tǒng)計(jì)學(xué)顯著差異，說明提取的描述符主要反映了穩(wěn)定的品種形態(tài)特征。

研究也承認(rèn)了若干局限性：數(shù)據(jù)集的規(guī)模相對于辣椒的全表型多樣性仍有限；僅依賴RGB圖像限制了對生化、生理等不可見性狀的捕捉；田間表型中基因型與環(huán)境互作是無法完全消除的混雜因素；以及模型存在一定的過擬合現(xiàn)象。這些界限明確了該圖像表型系統(tǒng)在無控制采集條件下的操作范圍。

結(jié)論與討論部分強(qiáng)調(diào)， 本研究證實(shí)了在真實(shí)田間條件下，利用葉片形態(tài)對辣椒品種進(jìn)行精細(xì)鑒別是可行的。ResNet50等遷移學(xué)習(xí)模型提供了穩(wěn)定的性能，而混合形態(tài)-深度表征則增強(qiáng)了對視覺重疊品種的區(qū)分能力。最重要的是，該研究確立了葉片形態(tài)可以作為早期品種驗(yàn)證的“數(shù)字表型簽名”，在主觀視覺檢查和資源密集的分子驗(yàn)證之間架起了一座橋梁。從方法論角度看，結(jié)果表明即使在環(huán)境變異和中等數(shù)據(jù)集規(guī)模下，僅基于葉片的RGB圖像仍保留著足夠且穩(wěn)定的品種信號，足以支持早期篩查。所提出的框架并非旨在取代分子標(biāo)記分析，而是作為一個(gè)戰(zhàn)略過濾層，使育種者能夠在進(jìn)行實(shí)驗(yàn)室驗(yàn)證之前，減少主觀性、時(shí)間和成本。這一工作為將形態(tài)性狀轉(zhuǎn)化為可學(xué)習(xí)的數(shù)字表征提供了范本，其框架可直接應(yīng)用于其他在早期營養(yǎng)性狀檢查中存在困難的作物，為支持現(xiàn)代育種計(jì)劃和數(shù)字農(nóng)業(yè)平臺的可擴(kuò)展、可互操作的表型分析系統(tǒng)奠定了基礎(chǔ)。未來的工作可以集中于擴(kuò)大表型多樣性、增加數(shù)據(jù)集規(guī)模、集成多模態(tài)傳感數(shù)據(jù)以及探索更高效的網(wǎng)絡(luò)架構(gòu)。