小麦麦穗几何表型测量的精准分割方法研究

• 作者: 于增源 姜海燕 梁敬东 蔡娜娜 谢元澄 金前
• 来源期刊: 南京农业大学学报
• 学科: 工学
• 关键词: 麦穗 表型测量 实例分割 深度学习
• 年，卷（期）: 2019,（5）
• 所属期刊栏目: 食品与工程
• 页码范围: 956-966
• 页数: 11页
• 分类号: TP391.4
• 字数: 6870字
• 语种: 中文

摘要

[目的]小麦麦穗表型获取涉及麦穗到籽粒不同几何尺度的参数精确测量,本文针对麦穗籽粒图像分割粘连现象,研究达到像素级别的精准分割算法,并基于该方法给出籽粒的基本几何参数.[方法]田间随机采集小麦麦穗,对采集的麦穗标本获取表型信息并采集图像,进行数据增广和标注,构建1个包括深度残差网络(deep residual network,ResNet)、区域建议网络(region proposal networks,RPN)和全卷积网络(fully convolutional networks,FCN)的实例分割算法Mask R-CNN,对训练集图片进行迭代训练获得模型.[结果]测试集测量结果表明,在测试麦粒上获得的籽粒像素测量平均精度(average-precision,AP)值为0.85,F1(F1-measure)值为0.830,对麦穗长度测量穗长的平均绝对误差为3.30 mm,平均相对误差为3.40％,宽度测量的平均绝对误差为0.72 mm,平均相对误差为4.10％,综合测量误差为3.75％,试验结果显著优于最大类间方差法(OTSU)以及全卷积网络.通过对特征提取网络层数的修改在处理速度上达到4.26 FPS(frames per second),对比FCN处理速度提升了8.5倍.[结论]利用Mask R-CNN分割方法得到1个对整株麦穗和单个籽粒进行目标定位、目标检测和实例分割为一体的端到端、像素级的分割模型,可以对麦穗及部分籽粒进行精确的几何表型测量.

作者信息

序号	姓名	单位	发文数	被引次数	H指数	G指数
1	梁敬东	南京农业大学信息科学技术学院	28	197	7.0	13.0
2	姜海燕	南京农业大学信息科学技术学院	37	339	10.0	17.0
6	谢元澄	南京农业大学信息科学技术学院	18	52	5.0	7.0
7	于增源	南京农业大学信息科学技术学院	1	1	1.0	1.0
8	金前	南京农业大学信息科学技术学院	1	1	1.0	1.0
9	蔡娜娜	南京农业大学信息科学技术学院	1	1	1.0	1.0