​

不同生長階段頂視相機角度下進行稻穗分割

近日華中農(nóng)業(yè)大學(xué)和華中科技大學(xué)聯(lián)合作物表型研究團隊在《Plant Methods》雜志上發(fā)表題為：Panicle-SEG: A robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization的文章，該文章首次將深度學(xué)習(xí)技術(shù)和超像素聚類算法相結(jié)合，實現(xiàn)了高魯棒性的大田小區(qū)水稻稻穗分割，實驗結(jié)果表明，該算法能適用于不同的光照環(huán)境，不同的水稻品種，不同的水稻生育期，并且能處理不同的成像場景和角度的水稻圖像。

水稻是世界大部分人口的主要糧食作物，稻穗作為一種重要的農(nóng)藝學(xué)器官，其與水稻的產(chǎn)量，疾病的檢測，生育期的判斷都有密切的聯(lián)系。大田環(huán)境是水稻生長的真實生長環(huán)境，所以研究田間水稻稻穗首先要解決的如何將其精準(zhǔn)的分割出來。通常田間的環(huán)境是十分復(fù)雜的，變化的光照，風(fēng)場的干擾，天氣的影響，水的反射和莖葉混疊遮擋的現(xiàn)象都給水稻稻穗的研究帶來了困難。同時，由于水稻品種的差異，使得稻穗在顏色，紋理，形態(tài)，大小和姿態(tài)上都有著很大的差異，不同的拍照視角也會使得稻穗圖像差異很大，這些問題都給田間水稻稻穗的分割帶來了不小的挑戰(zhàn)。因此通用的分割算法不再那么適用，必須設(shè)計出一套魯棒性更高的田間水稻稻穗分割算法。

近年來，深度學(xué)習(xí)方法在多個領(lǐng)域廣泛應(yīng)用，由于其強大的自動特征提取、復(fù)雜模型構(gòu)建以及圖像處理能力，其非常適合生物圖像處理中所面臨的新問題。本研究中，田間水稻以小區(qū)的方式種植，每個小區(qū)（90×90 cm²）種有20株相同品種的水稻，小區(qū)與小區(qū)之間以保護行的形式隔開。每塊小區(qū)獲取兩張照片，即分別從頂視和俯視對水稻小區(qū)成像。將獲取的頂視圖像和俯視圖像分成訓(xùn)練集，驗證集和測試集。對于訓(xùn)練樣本（包括訓(xùn)練集和驗證集），利用簡單線性迭代聚類（SLIC）的方法提取最終訓(xùn)練的圖像塊（patches），通過卷積神經(jīng)網(wǎng)絡(luò)來進行分類模型的訓(xùn)練。然后利用訓(xùn)練好的CNN模型對測試樣本進行分類測試。粗分割結(jié)果優(yōu)化后得到最終的稻穗的分割圖像�；�于深度學(xué)習(xí)的方法，本研究僅僅利用普通的單目RGB相機來獲取大田水稻圖像，并提出了一種將稻穗分割任務(wù)轉(zhuǎn)換成分類任務(wù)來實現(xiàn)的新思路，該方案在較好實現(xiàn)水稻稻穗分割的同時也保證了分割邊緣的完整性，同時，對于復(fù)雜多變的場景和環(huán)境（如不同光照等），該算法都具有很好的分割魯棒性，對于不同成像角度的圖像，該算法同樣能夠適用，在測試樣本的平均分割精度在80%以上。

Panicle-SEG算法流程圖

該工作得到了國家高技術(shù)發(fā)展計劃（National Program on High Technology Development (2013AA102403)）、國家重點研究與發(fā)展計劃（National key research and development program (2016YFD0100101-18)）、國家自然科學(xué)基金（National Natural Science Foundation of China (31701317, 31770397)）、湖北省自然科學(xué)基金（Hubei Provincial Natural Science Foundation of China (2017CFB208)）、湖北科學(xué)條件和資源研究項目（Scientific Conditions and Resources Research Program of Hubei Province of China (2015BCE044)）和學(xué)�；�礎(chǔ)研究基金（Fundamental Research Funds for the Central Universities (2662015QC006, 2662017PY058)）的資助。

來源：Xiong Xiong, Lingfeng Duan, Lingbo Liu, Wanneng Yang and Qian Li (2017), Panicle-SEG: A robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization, Plant Methods, 13:104.