植物表型分析：从 PlantCV 到深度学习

植物表型图像看起来是一个典型的计算机视觉问题，但真正做项目时，最先要分清的是：你到底想量一个性状，还是识别一个类别，或者要在复杂田间场景里找到目标。

这三类问题需要的工具和评价方式并不一样。

任务一：把性状量出来

如果目标是叶面积、株高、颜色、果实数量、根系长度等可测性状，PlantCV 这类传统图像分析工具往往比训练一个深度网络更直接。

典型流程是：

图像质控
  → 前景/背景分离
  → 形态学清理
  → 目标区域提取
  → 面积、长度、颜色、形状等性状统计

这类流程的优势是可解释。每一个数值都能回到图像上检查，特别适合受控环境、固定拍摄角度和批量表型平台。

PlantCV 的限制也很清楚：背景、光照和植株重叠一复杂，基于阈值和规则的流程就容易变脆。这时才需要考虑学习型分割方法。

病害分类、物种识别、叶片分类等任务通常会用 CNN 或视觉 Transformer。

经典的 PlantVillage 数据集证明了深度学习可以在标准化叶片图像上取得很高的分类准确率，但这个结果不能直接外推到田间。背景、光照、拍摄设备、病斑阶段和多病共存都会造成明显的 domain shift。

所以，病害识别项目里我更看重下面几个指标：

如果这些问题没有回答，单个“99% accuracy”通常说明不了太多。

当目标是叶片、果实、穗、病斑或根系实例，问题通常从“分类”变成了检测或分割。

常见选择包括：

模型名称不是重点。真正决定效果的通常是标注定义是否稳定，以及训练集是否覆盖了真实场景中的变化。

模型输出一个 mask、框或类别，只是中间结果。最终应该回到生物学性状：生长速率、叶面积变化、病害进程、株型参数或环境响应。

同一株植物在多个时间点拍摄时，训练/测试划分不能按图片随机拆。否则同一株植物的近邻图像可能同时出现在训练和测试中，性能会被明显高估。

换相机、换季节、换田块、换品种，都可能造成分布变化。对实际育种和表型平台来说，跨环境验证比继续堆模型复杂度更重要。

如果我要从零开始做植物图像项目，会按这个顺序：

这样做的好处是，模型复杂度始终和实际问题对应，不会为了“用了深度学习”而引入一套更难维护的流程。