LeafTrackNet：面向自顶向下植物表型分析的鲁棒叶片追踪深度学习框架
计算机视觉与模式识别
2025-12-16 v1
摘要
在单叶层面进行高分辨率表型分析能够提供关于植物发育和胁迫响应的细粒度洞察。然而，由于缺乏鲁棒的追踪方法——尤其是对于结构复杂的作物如油菜——准确叶片追踪随时间的全部潜力在很大程度上尚未被探索。现有的植物专用追踪方法通常局限于小规模物种或依赖受限的成像条件。相比之下，通用多目标追踪（MOT）方法并非为动态生物场景设计。准确叶片追踪模型的发展也因缺乏在真实条件下采集的大规模数据集而受阻。在本工作中，我们引入了 CanolaTrack，一个新的基准数据集，包含 5,704 张 RGB 图像，涵盖 184 株油菜早期生长阶段的 31,840 个标注叶片实例。为实现准确的随时间叶片追踪，我们引入了 LeafTrackNet，一个高效的框架，将基于 YOLOv10 的叶片检测器与基于 MobileNetV3 的嵌入网络相结合。在推理过程中，通过基于嵌入的记忆关联策略维持叶片身份。LeafTrackNet 在 CanolaTrack 上同时优于植物专用追踪器和最先进的 MOT 基线，实现了 9% 的 HOTA 提升。通过我们的工作，我们为真实条件下的叶片级追踪建立了新标准，并提供了 CanolaTrack——农业作物中最大的叶片追踪数据集，将有助于未来植物表型分析研究。我们的代码和数据集公开可用，地址为 https://github.com/shl-shawn/LeafTrackNet。
引用
@article{arxiv.2512.13130,
title = {LeafTrackNet: A Deep Learning Framework for Robust Leaf Tracking in Top-Down Plant Phenotyping},
author = {Shanghua Liu and Majharulislam Babor and Christoph Verduyn and Breght Vandenberghe and Bruno Betoni Parodi and Cornelia Weltzien and Marina M. -C. Höhne},
journal= {arXiv preprint arXiv:2512.13130},
year = {2025}
}