VeinForge

面向 大麦 / 小麦(单子叶平行脉) 的叶脉性状自动定量 + 胁迫识别工具。 经典图像处理底座 + 可插拔深度学习 + 多维胁迫表型,强调 一键、批量、可复现、诚实可信。

状态:核心可用 — 经典 CV 叶脉量化 + 两条胁迫识别轨 + DL 框架 + 多维 benchmark,46 测试全绿。 唯一关键缺口:真实小麦/大麦透明化脉图(公开数据查证不存在,只能自己成像)。详见 docs/scorecard.md。

---

安装

git clone https://github.com/Vambrocop/VeinForge
cd VeinForge
pip install -e ".[dev]"          # 核心 + 测试
pytest -q                         # 验证安装(应 46 passed)

可选附加(按需):

pip install -e ".[stress]"   # 随机森林胁迫分类(scikit-learn)
pip install -e ".[dl]"       # 深度学习分割(PyTorch)
pip install -e ".[gui]"      # napari 查看器

---

怎么用

1) 叶脉性状定量(核心,零训练数据)

veinforge run ./tiles --pixel-size-um 1.23 --out results

输入一批透明化脉网图 → 输出 results/:

• results.csv — 每图性状:脉密度、脉宽、脉间距、自由末端、areole、纵/横脉密度、整叶形态…
• samples_summary.csv — 样本级均值±SD · qc/*_overlay.png — 质控叠加图 · params.yaml — 参数快照 · veinforge.db — SQLite 结果库

切换分割后端:--segmenter classical(默认,不训练)/ --segmenter dl --model models/xxx.pt(训练好的 DL)。

2) 查看分割(napari)

veinforge view ./tiles/example.tif

3) 叶脉胁迫表型(脉性状 → 胁迫)

veinforge stress compare results/results.csv --label treatment   # 不训练:看哪些脉指标随胁迫显著变化
veinforge stress train   results/results.csv --label treatment   # 随机森林分类器
veinforge stress predict new.csv --model models/stress_rf.joblib

4) 整叶 RGB 胁迫/健康分类(并行轨)

veinforge leafstress train data/leaves          # 布局:data/leaves/healthy/*.jpg, data/leaves/stressed/*.jpg …
veinforge leafstress predict leaf.jpg --model models/leaf_clf.joblib

5) 训练 DL 分割(可选,需 [dl])

python scripts/make_synth_pretrain.py --style realistic --out data/pretrain_synth   # 零数据合成训练集
python scripts/fetch_retinal.py                                                       # 视网膜血管预训练料(STARE)
python scripts/train_dl.py --data data/train --val data/val --epochs 50 --out models/unet.pt
#   --init <预训练.pt> 迁移微调 · --val <固定holdout> 按最佳 IoU 存模型 · clDice+增强默认开

训练好的 .pt 直接插回流水线:veinforge run ... --segmenter dl --model models/unet.pt。

6) Benchmark 打分

python scripts/benchmark.py        # 在留出真值上算 IoU/Dice/速度,vs ImageJ/GrasVIQ 参照

7) 网页 GUI(给非专家)& napari 人工校正

pip install -e ".[web]" && streamlit run scripts/webapp.py    # 浏览器:拖图→出性状表+质控图→下载 CSV
veinforge correct leaf.tif --out mask.png                      # napari 画笔修正掩膜,关窗即保存

---

文档(都在 docs/)

文档	内容
spec · plan	设计规格 · 实现计划
p2-roadmap	DL 分割 + 胁迫表型路线
benchmark · scorecard	多维技术对比 · 项目自评(版本追踪)
training-plan	GPU/数据到位后怎么优化训练
colab-gpu	免费云 GPU(Colab/Kaggle)训练配方
retrain	如何(再次)训练 DL 模型
train_strong_base.ipynb	Colab 一键:免费 GPU + 全部公共数据 → 强通用脉底座
backlog · ideas · audit-log	缺口日志 · 点子日志 · 代码审核日志
related-work	参考工具/数据集

---

现状与诚实说明

• ✅ 经典 CV 叶脉量化、叶脉胁迫表型、整叶 RGB 胁迫分类、DL 框架、benchmark、全套规划/审核文档。
• ⚠️ 准确度 IoU ≈ 0.52(经典)/ 0.66(DL),受 CPU + 小数据限制;速度/自动化/可复现远超手工(ImageJ)。
• 🔴 唯一关键缺口:真实小麦/大麦图——拿到后 train_dl.py --init ... --val ... 微调即可。其余胁迫轨也都"能跑,需真实带标签数据才出科学结论"。

改进方向与优先级见 scorecard.md(分维度打分)、training-plan.md、backlog.md。