​

不同生長階段頂視相機角度下進行稻穗分割

近日華中農業大學和華中科技大學聯合作物表型研究團隊在《Plant Methods》雜志上發表題為：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習技術和超像素聚類算法相結合，實現了高魯棒性的大田小區水稻稻穗分割，實驗結果表明，該算法能適用于不同的光照環境，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藝學器官，其與水稻的產量，疾病的檢測，生育期的判斷都有密切的聯系。大田環境是水稻生長的真實生長環境，所以研究田間水稻稻穗首先要解決的如何將其精準的分割出來。通常田間的環境是十分復雜的，變化的光照，風場的干擾，天氣的影響，水的反射和莖葉混疊遮擋的現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，大小和姿態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。因此通用的分割算法不再那么適用，必須設計出一套魯棒性更高的田間水稻稻穗分割算法。

近年來，深度學習方法在多個領域廣泛應用，由于其強大的自動特征提取、復雜模型構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，田間水稻以小區的方式種植，每個小區（90×90 cm²）種有20株相同品種的水稻，小區與小區之間以保護行的形式隔開。每塊小區獲取兩張照片，即分別從頂視和俯視對水稻小區成像。將獲取的頂視圖像和俯視圖像分成訓練集，驗證集和測試集。對于訓練樣本（包括訓練集和驗證集），利用簡單線性迭代聚類（SLIC）的方法提取最終訓練的圖像塊（patches），通過卷積神經網絡來進行分類模型的訓練。然后利用訓練好的CNN模型對測試樣本進行分類測試。粗分割結果優化后得到最終的稻穗的分割圖像。基于深度學習的方法，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轉換成分類任務來實現的新思路，該方案在較好實現水稻稻穗分割的同時也保證了分割邊緣的完整性，同時，對于復雜多變的場景和環境（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發展計劃（National Program on High Technology Development (2013AA102403)）、國家重點研究與發展計劃（National key research and development program (2016YFD0100101-18)）、國家自然科學基金（National Natural Science Foundation of China (31701317, 31770397)）、湖北省自然科學基金（Hubei Provincial Natural Science Foundation of China (2017CFB208)）、湖北科學條件和資源研究項目（Scientific Conditions and Resources Research Program of Hubei Province of China (2015BCE044)）和學校基礎研究基金（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.