Image-Based Estimation of Blueberry Yield Incorporating External Validation and Canopy Architecture Under Field Conditions

Technische Samenvatting: Beeldgebaseerde Schatting van Blauwe Bessenopbrengst met Integratie van Externe Validatie en Kandoparchitectuur

Probleemstelling
Het kwantificeren van de blauwe bessenopbrengst en de rijpheid is cruciaal voor het evalueren van het opbrengstpotentieel in veredelingsproeven en het optimaliseren van de productielogistiek. Handmatige metingen blijven echter een knelpunt omdat ze traag, arbeidsintensief, kostbaar en gevoelig voor subjectiviteit zijn. Hoewel objectdetectienetwerken een oplossing met een hoge doorvoer bieden, missen bestaande studies vaak een rigoureuze externe validatie tegen handgeoogste grondwaarheid (ground truth), met name wanneer er expliciet rekening wordt gehouden met kanaalocclusie (verstopping door bladeren). Highbush blauwe bessenplanten presenteren specifieke uitdagingen vergeleken met wilde variëteiten vanwege hun complexe morfologie en de aanzienlijke volumetrische occlusie van vruchten door gebladerte. Bovendien introduceren veldomstandigheden variabiliteit in helderheid, fotofunctieafstand en perspectief, terwijl genotype-specifieke verschillen in de kanaalstructuur de zichtbaarheid van bessen voor computer vision-systemen verder compliceren.

Methodologie
De studie ontwikkelde een multi-class besdetectie-pipeline en valideerde deze tegen handgeoogste aantallen over 32 diverse zuidelijke highbush blauwe bessen-genotypes.

• Pipeline Architectuur: Het systeem maakt gebruik van Slicing Aided Hyper Inference (SAHI) om hoogresolutiebeelden op te delen in overlappende 640x640px tegels, waarbij de grootte van de segmenten dynamisch wordt aangepast op basis van de beeldresolutie om de detectie van kleine objecten te verbeteren. De detectie-backbone gebruikt YOLOv8 (specifiek het vergelijken van nano- en extra-large varianten) voor zowel single-class als multi-class (onrijpe versus rijpe) detectie. De post-processing omvat non-maximum suppression (NMS) en heuristische filtering op basis van vierkante aspectratio's om foutieve detecties te verwijderen.
• Dataset: De "blue-2" dataset bestaat uit 459 geannoteerde afbeeldingen met 110.220 bes-annotaties over twee rijpheidsklassen (onrijp en rijp). De dataset werd samengesteld met afbeeldingen van DSLR-camera's en mobiele apparaten, vastgelegd via handmatige en robotische platforms.
• Externe Validatie: Grondwaarheid-validatie werd uitgevoerd op 32 genotypes bij Straughn Farms, Florida. Afbeeldingen werden vastgelegd vanaf een vaste afstand (~170 cm) met een Canon EOS Rebel T6 gemonteerd op een rover. Alle bessen werden vervolgens handmatig geoogst en geteld.
• Integratie van Kanaalarchitectuur: Om occlusie aan te pakken, extraheerde de studie kanaalarchitectuur-metrieken (bijv. kanaalbreedte, hoogte, oppervlakte, soliditeit, fractale dimensie, textuurhomogeniteit en kleurindices) met behulp van een OpenCV-gebaseerde pipeline.
• Predictief Modelleren: De relatie tussen beeldgebaseerde detecties, kanaalfeatures en grondwaarheid-aantallen werd gemodelleerd met Multiple Linear Regression (LM), Partial Least Squares Regression (PLSR), Ridge Regression, Random Forest en Support Vector Machines (SVM). De modellen werden geëvalueerd met een 80:20 cross-validatieframework dat 100 keer werd herhaald.

Belangrijkste Resultaten

• Detectieprestaties: YOLOv8x behaalde de hoogste detectieprestaties met een mAP50 van 0,82 en een mAP50–95 van 0,66. De multi-class benadering degradeerde de detectieprestaties niet significant vergeleken met single-class detectie. Het model vertoonde een sterke correlatie (R² ≥ 0,98) tussen annotaties en inferentie-resultaten.
• Rijpheidsklassificatie: Het model behaalde hoge F1-scores voor onrijpe bessen (0,91) maar lagere scores voor rijpe bessen (0,74), deels door kleurvariaties tijdens de overgang van groen naar blauw en de misclassificatie van intermediaire kleuren.
• Onderschatting en Occlusie: Beeldgebaseerde detecties onderschatten de handgeoogste vruchtentellingen systematisch, met R²-waarden variërend van 0,40 tot 0,61. Handgeoogste aantallen waren ongeveer vier keer hoger dan de beeldgebaseerde voorspellingen. Deze onderschatting werd toegeschreven aan kanaalocclusie, die sterk varieerde tussen genotypes (42% tot 90%).
• Impact van Kanaalarchitectuur: Het integreren van beeldgebaseerde kanaalarchitectuur-features verbeterde de voorspellingsnauwkeurigheid aanzienlijk. Partial Least Squares Regression (PLSR) bleek het best presterende model, waardoor de R²-waarden voor handgeoogste vruchtentellingen stegen van een baseline van 0,52–0,61 naar 0,52–0,74 (specifiek bereikde het R² = 0,743 voor onrijpe bes-aantallen en 0,74 voor de rijpheidsratio).
• Correlaties: Kanaalarchitectuur-features vertoonden matige associaties met occlusiepercentages (bijv. soliditeit r=0,49, helderheidsvariabiliteit r=0,61), wat bevestigt dat structurele attributen de variaties in de zichtbaarheid van vruchten verklaren.

Belangrijkste Bijdragen

1. Gevalideerde Pipeline: De studie biedt een rigoureus gevalideerde multi-class detectie-pipeline voor highbush blauwe bessen die expliciet rekening houdt met de uitdagingen van kleine objectdetectie in complexe veldomgevingen.
2. Kwantificering van Occlusie: Het kwantificeert de omvang van genotype-specifieke occlusie (42–90%), en toont aan dat de kanaalstructuur een primaire drijfveer is van detectiefouten en dat beeldgebaseerde tellingen alleen onvoldoende zijn voor absolute opbrengstschatting zonder correctie.
3. Integratie van Structurele Kenmerken: Het onderzoek toont aan dat het integreren van beeldgebaseerde kanaalarchitectuur (structurele, texturele en kleurkenmerken) met vruchtdetectiegegevens de schatting van opbrengst en rijpheid aanzienlijk verbetert, wat een methode biedt om gedeeltelijk te compenseren voor verborgen vruchten.
4. Implicaties voor Veredeling: De studie identificeert vruchtzichtbaarheid en verminderde occlusie als potentiële selectiedoelen voor veredelingsprogramma's die streven naar een verbeterde compatibiliteit met high-throughput fenotypering en robotische oogst.

Betekenis en Claims
De auteurs beweren dat hun resultaten aantonen dat het rekening houden met kanaalocclusie door de integratie van architecturale kenmerken de nauwkeurigheid van de beeldgebaseerde blauwe bessenopbrengstschatting verbetert. De studie ondersteunt het gebruik van computer vision voor high-throughput fenotypering, maar benadrukt dat huidige modellen de neiging hebben om absolute aantallen te onderschatten vanwege bladeren. Door kanaalmetrieken te incorporeren, kan het systeem beter biologisch relevante variatie tussen genotypes vastleggen. De auteurs concluderen dat, hoewel beeldgebaseerde fenotypes effectief relatieve verschillen vastleggen, toekomstige veredelingsstrategieën rekening moeten houden met vruchtblootstelling en kanaalopenheid om de nauwkeurigheid van zowel fenotypering als robotische oogstsystemen te verbeteren. Het artikel beweert niet dat het het occlusieprobleem volledig heeft opgelost, maar biedt een methodologisch kader om de impact ervan op de opbrengstschatting te mitigeren.