作物表型信息全生育期动态在线监测是设施智能化生产管控的重要基础。设施环境下因种植密度高、基础设施遮挡、光线变化、植株生长形态各异、农艺措施无法标准化等原因，以机器视觉为代表的AI技术作用发挥面临着很大的挑战，也成为落地应用难的关键卡点。

近日，信息所智慧农业创新团队在设施番茄植株长势动态监测研究方面取得重要进展。相关研究以题为“Toward Real Scenery: A Lightweight Tomato Growth Inspection Algorithm for Leaf Disease Detection and Fruit Counting”在线发表于国际期刊《Plant Phenomics》（5-Year IF 7.5，中科院1区，卓越期刊）。该论文提出了一种可以同时集成番茄叶片监测和果实跟踪计数的算法，能够部署在巡检机器人实现植株生长的连续监测。

在这项研究中，研究人员首先采用带有智能手机摄像头的自主运动机器人来收集温室中叶病和水果的图像。然后，通过整合 Ghost 和 CBAM 模块改进了深度学习网络 YOLO-TGI，该模块与 YOLOX 和 NanoDet 等顶级轻量级检测模型一起进行了训练和测试，用于评估叶子健康状况。

为了解决实时检测时叶片对于果实的遮挡和果实追踪的遗漏问题，论文改进了目标检测和重新追踪识别的策略。具体的是，添加CBAM模块赋予YOLO-TGI网络自主聚焦和放大相关特征的能力。这种注意力驱动的方法提高了网络识别和优先考虑目标关键方面的能力，即使在有障碍物的复杂视觉环境中也是如此。自适应机制使YOLO-TGI能够突出部分遮挡物体的关键特征，从而有效解决部分被树叶遮挡的场景下的果实检测问题。另外，为了与各种基础检测器级联，作者集成了最先进的跟踪器，例如 Byte-Track、Motpy 和 FairMot，以实现视频流中的水果计数。

实验结果表明，YOLO-TGI 和 Byte-Track 的组合实现了最稳健的性能。特别是，YOLO-TGI-N 成为计算需求最少的模型，其 FLOP 最低为 2.05 G，权重仅为 3.7 M，同时仍保持叶病检测的 mAP 为 0.72。在水果计数方面，YOLO-TGI-S与Byte-Track的组合取得了最佳R 2 为0.93和最低RMSE 9.17，推理速度是当前最优YOLOX系列的2倍。该模型面向真实世界的温室种植场景，能够推广到广泛种植的水果和蔬菜（如苹果、橙子、葡萄和草莓）的类似监测任务中。

信息所智慧农业创新团队骨干成员康睿为论文第一作者，团队首席任妮研究员和McGill大学的Shangpeng Sun教授为论文共同通讯作者。该研究得到国家重点研发计划项目、江苏省重点研发计划项目、江苏省农业自主创新项目等项目的资助。