Aerial Phenotyping of Coffee Flowering Using Deep Learning for Early Yield Prediction

早期产量估测对于改善咖啡生产系统中的决策与管理实践具有重要意义。然而，利用航空影像表征开花并将其与后续产量相关联的方法仍然有限。本研究评估了由遥控驾驶航空器（RPA）获取的RGB影像结合深度学习技术，根据开花代理指标的三个水平对咖啡植株进行分类，并探讨其与产量之间关系的潜力。利用自定义卷积神经网络和三种迁移学习架构——VGG16、ResNet50V2和MobileNetV2，将包含1593张分割RGB图像的数据集分类为低、中、高开花水平。基于验证性能，选择ResNet50V2进行最终评估，其在测试数据集上达到了92.12%的准确率、92.40%的宏精确率、91.81%的宏召回率和92.06%的宏F1值。开花代理指标与田间观测产量呈正相关，Arara和Mundo Novo合并数据集的Spearman's ρ = 0.701（p < 0.001），R² = 0.528。在合并的样本外预测中，模型达到了R² = 0.489、MAE = 1.03 kg plant⁻¹和RMSE = 1.18 kg plant⁻¹。不同品种间的表现存在差异，Arara和Mundo Novo的合并R²值分别为0.567和0.329。空间分析还表明，由RGB影像得出的开花水平分布与后续产量的空间分布之间存在对应关系。这些发现表明，基于RPA的RGB影像和深度学习能够提供与咖啡开花及其生产性能相关的空间化信息，在精准农业中具有应用潜力。需要在不同生产周期、品种和环境条件下进行进一步评估，以检验该方法的稳健性和泛化能力。