王鶴樹，曹麗英

(吉林農(nóng)業(yè)大學(xué)信息技術(shù)學(xué)院，長(zhǎng)春市，130118)

0 引言

植物是人類生存必不可少的物質(zhì)資源[1]。近年來(lái)，植物表型分析解決了諸多相關(guān)問(wèn)題，而圖像分析系統(tǒng)被廣泛應(yīng)用于表型分析的研究中[2]?；趫D像分析的方法通過(guò)分析植株的不同器官圖像來(lái)進(jìn)行植物生長(zhǎng)監(jiān)測(cè)、形態(tài)解析以及表型提取等測(cè)量，進(jìn)一步對(duì)植物的性狀進(jìn)行分析預(yù)測(cè)產(chǎn)量等[3]。針對(duì)不同的實(shí)驗(yàn)設(shè)計(jì)和特殊的圖像采集場(chǎng)景，提出了各種成像和計(jì)算機(jī)視覺(jué)技術(shù)的需求，以求實(shí)現(xiàn)非破壞性的植物表型提取目的。

農(nóng)業(yè)學(xué)者們?cè)谥参飯D像解析方面已經(jīng)進(jìn)行了大量研究[4-7]，其中包括植物的病害識(shí)別、葉片檢測(cè)、葉片技術(shù)、葉片分割以及長(zhǎng)勢(shì)監(jiān)測(cè)等[8]?，F(xiàn)階段大多數(shù)相關(guān)工作數(shù)據(jù)來(lái)源都是在受控的實(shí)驗(yàn)室環(huán)境、溫室或者田間進(jìn)行采集的。吳煥麗等[9]基于改進(jìn)的K-means圖像分割算法實(shí)現(xiàn)小麥等細(xì)葉作物的覆蓋度提取，計(jì)算覆蓋度準(zhǔn)確率在90%以上，但是這種傳統(tǒng)圖像處理方法需要消耗大量人力和時(shí)間。Kumar等[10]提出一種基于圖像增強(qiáng)的葉片分割方法，實(shí)現(xiàn)了CVPPP數(shù)據(jù)集中擬南芥植株的葉片分割，其算法精度達(dá)到了95.4%，并且可以用于其他圓形葉片植物的分割，但其方法并不能實(shí)現(xiàn)大數(shù)據(jù)的批量化分割，還需要依靠人工交互手段作為輔助。Qian等[11]進(jìn)行了玉米多光譜圖像的精準(zhǔn)分割和葉綠素診斷，其提出的局部閾值處理分割算法分割玉米葉片精度達(dá)到95.59%，但是提取的光譜特征參數(shù)建模R2僅為0.596左右，參數(shù)提取精度并不理想。Chen等[12]提出一種基于機(jī)器視覺(jué)技術(shù)的模糊聚類和向量機(jī)分割玉米病害葉片圖像的病害識(shí)別方法，識(shí)別率在95%以上，但是這種方法泛化性不足，且多個(gè)環(huán)節(jié)涉及人工交互進(jìn)行，使得病害識(shí)別效率不高。Goclawski等[13]通過(guò)神經(jīng)網(wǎng)絡(luò)對(duì)葫蘆葉片染色掃描圖像進(jìn)行分割，進(jìn)行了非生物脅迫的顏色性狀分析，然而他們的模型僅考慮應(yīng)用了一種反向傳播網(wǎng)絡(luò)，并沒(méi)有將其提出的解決方案與其他神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比，因此他們的網(wǎng)絡(luò)可能并不是最優(yōu)的體系結(jié)構(gòu)。Ma等[14]運(yùn)用全卷積神經(jīng)網(wǎng)絡(luò)(FCN)實(shí)現(xiàn)水稻苗期田間圖像中幼苗和雜草的圖像分割，其提出的segnet方法平均準(zhǔn)確率為92.7%，能夠有效地對(duì)稻田圖像中水稻幼苗、背景和雜草的像素進(jìn)行分類。

通過(guò)對(duì)相關(guān)工作的分析，發(fā)現(xiàn)在葉片分割領(lǐng)域已有的研究中，分割效果大多取決于數(shù)據(jù)集質(zhì)量以及背景[15]、光照等環(huán)境因素的復(fù)雜程度[16]，且處理方法多是基于監(jiān)督學(xué)習(xí)或者傳統(tǒng)的人工分割手段，魯棒性不高也不能實(shí)現(xiàn)高通量地葉片分割。針對(duì)這些不足之處，本文提出一種基于全卷積神經(jīng)網(wǎng)絡(luò)的深度學(xué)習(xí)方法進(jìn)行植物圖像的葉片分割，使用小樣本量訓(xùn)練得到的模型即可實(shí)現(xiàn)植物葉片圖像高通量地分割效果，且模型具有很好的魯棒性。

1 材料與方法

1.1 數(shù)據(jù)集來(lái)源

本文所使用的植物圖像來(lái)自于CVPPP(Computer Vision Problems in Plant Phenotyping)數(shù)據(jù)集，該數(shù)據(jù)集由A1、A2、A3和A4四個(gè)文件夾組成。這是一個(gè)由CVPR會(huì)議公布的用于葉片分割挑戰(zhàn)的數(shù)據(jù)集，圖像使用7mp的佳能AD1000 Power-Shot相機(jī)拍攝，其中的植物圖像均由放置于花盆和托盤中的植物頂部圖像組成。其中A1、A2數(shù)據(jù)集圖像是擬南芥植株，A1數(shù)據(jù)集在白天每6 h獲取一次，持續(xù)3周，圖像的光照強(qiáng)度和背景環(huán)境都比較復(fù)雜；A2數(shù)據(jù)集在白天每20 min捕獲一次，持續(xù)7周，背景環(huán)境較為簡(jiǎn)單，但是植株變化差異較大；A3數(shù)據(jù)集則由煙草植物圖像組成；A4數(shù)據(jù)集在出苗后每隔一天獲取一次，直到植株生長(zhǎng)發(fā)育完全成熟，數(shù)據(jù)集中存在20株擬南芥完整生育期的頂視圖像。綜上所述，該數(shù)據(jù)集包含了不同種類植物圖像、同一植物的不同生長(zhǎng)階段圖像以及植物群體和單獨(dú)植物圖像。數(shù)據(jù)集中的圖像在分辨率、場(chǎng)景復(fù)雜程度和光照強(qiáng)度等方面均存在差異，其具備復(fù)雜性和植物對(duì)象多樣性，因此該數(shù)據(jù)集在圖像分割方面存在一定挑戰(zhàn)性，研究結(jié)果也有很強(qiáng)的說(shuō)服力。部分?jǐn)?shù)據(jù)集中圖像如圖1所示。

圖1 CVPPP數(shù)據(jù)集中的部分圖像Fig.1 Selected images from the CVPPP dataset

1.2 分割網(wǎng)絡(luò)模型

本文的主要目的是運(yùn)用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)端到端的圖像分割效果，因此選擇全卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)植物圖像的像素級(jí)分割。為了更好的實(shí)現(xiàn)圖像分割，并降低訓(xùn)練成本，本文網(wǎng)絡(luò)模型結(jié)構(gòu)參考Olaf Ronneberger的U-net網(wǎng)絡(luò)模型[17]并加以改進(jìn)優(yōu)化，調(diào)整了模型框架，修改訓(xùn)練過(guò)程中的數(shù)據(jù)讀取方式并且對(duì)激活函數(shù)和損失函數(shù)進(jìn)行優(yōu)化。改進(jìn)后網(wǎng)絡(luò)模型不僅縮短了訓(xùn)練時(shí)間節(jié)約訓(xùn)練成本而且分割精度更高和效果更好。具體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

圖2 模型整體結(jié)構(gòu)Fig.2 Integral structure of the model

網(wǎng)絡(luò)左面的前4層為傳統(tǒng)的卷積層典型結(jié)構(gòu)，通過(guò)逐漸縮減輸入數(shù)據(jù)的空間維度以提取高維特征，1～3層都由2個(gè)3×3的卷積層(conv)和1個(gè)最大池化層(maxpooling)組成，卷積核數(shù)量為32，64，128。位于底部的第4層有需要進(jìn)行上采樣輸入，因此僅進(jìn)行了2個(gè)3×3的卷積，卷積核數(shù)量為256。網(wǎng)絡(luò)的右半部分與左半部分呈中心對(duì)稱，右面的5～7層是反卷積層即向上卷積，每一層除了正常的卷積層用于還會(huì)加入上采樣。反卷積過(guò)程每一層的輸入除了與其對(duì)應(yīng)的下采樣層輸出的局部特征外還有上一層上采樣獲取的深層次抽象特征，這些特征通過(guò)鏈接的方式實(shí)現(xiàn)融合，從而在保證圖像空間維度不變的情況下恢復(fù)了特征圖細(xì)節(jié)。最后一層使用1×1卷積將每個(gè)分量特征向量映射到所需要的分類中。除了最后一層，前面所有層都有加入BN(Batch Normalization)層，對(duì)網(wǎng)絡(luò)層的每一層的特征都做歸一化，使得每層的特征分布更加均勻，在提高模型收斂速度的同時(shí)又能夠提高模型的容錯(cuò)能力。構(gòu)建的網(wǎng)絡(luò)參數(shù)進(jìn)行了一定程度的減少，主要為了緩解硬件設(shè)備運(yùn)行壓力，在保證分割效果情況下減少訓(xùn)練時(shí)間。因?yàn)橛?xùn)練樣本數(shù)量較少，所以適當(dāng)?shù)募尤肓薲ropout層，防止網(wǎng)絡(luò)過(guò)擬合。網(wǎng)絡(luò)使用最大池化層進(jìn)行下采樣，主要是考慮對(duì)邊緣特征的最大化識(shí)別利用。且在編譯模型的頂端加入優(yōu)化器使模型支持隨機(jī)梯度下降，支持動(dòng)量參數(shù)等，通過(guò)衰減率來(lái)改變學(xué)習(xí)率，對(duì)于模型有一定的輔助優(yōu)化效果。

1.3 主要函數(shù)優(yōu)化

1.3.1 激活函數(shù)

圖像分割的本質(zhì)是對(duì)像素點(diǎn)進(jìn)行逐一分類，而線性模型對(duì)于這樣的分類任務(wù)表達(dá)能力不足，因此引入激活函數(shù)加入非線性因素解決分類的問(wèn)題，常用的激活函數(shù)有Sigmoid，ReLU，Leaky ReLU和Tanh等，其線性表達(dá)如圖3所示。

U-net模型的激活函數(shù)ReLU屬于線性整流函數(shù)，數(shù)學(xué)表達(dá)為

f(x)=max(0，x)

(1)

作為神經(jīng)網(wǎng)絡(luò)的激活函數(shù)，其定義了線性變換wTx+b之后的非線性輸出結(jié)果。從圖3中可以看出，這幾種激活函數(shù)在輸入值大于0的情況下輸出值相同，但是在輸入值為負(fù)值的情況下，ReLU不能激活神經(jīng)元。這種情況對(duì)于傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型中前向傳播過(guò)程影響不大，但是在存在反向傳播的網(wǎng)絡(luò)中梯度會(huì)變?yōu)?，導(dǎo)致神經(jīng)元失活即所謂的dying ReLU problem。

因此需要一種在輸入值為負(fù)值時(shí)仍有輸出的激活函數(shù)，解決在輸入為負(fù)值的情況下反向傳播過(guò)程神經(jīng)元失活問(wèn)題。從圖3中可以看出相對(duì)于ReLU函數(shù)，Leaky ReLU和Tanh函數(shù)在輸入為負(fù)值時(shí)都有輸出，而Leaky ReLU相比于Tanh函數(shù)其在負(fù)值輸出部分線性關(guān)系簡(jiǎn)單，有利于模型的快速收斂。Leaky ReLU為帶泄露線性整流，當(dāng)輸入值x為負(fù)的時(shí)候，其梯度為常數(shù)θ∈(0，1)，不會(huì)判定為0，正值與ReLU一致。選擇Leaky ReLU作為激活函數(shù)，在輸入為負(fù)值時(shí)仍有輸出的函數(shù)作為激活函數(shù)，這樣可以消除反向傳播中神經(jīng)元失活問(wèn)題。其表達(dá)式為

(2)

對(duì)于模型的最后輸出層，選擇Sigmoid作為二分類的輸出層激活。Sigmoid可以將一個(gè)實(shí)數(shù)映射到(0，1)的區(qū)間，非常適合二分類。在特征比較復(fù)雜時(shí)效果比較好。神經(jīng)網(wǎng)絡(luò)的中間層不選擇使用，因?yàn)閷?duì)于深層網(wǎng)絡(luò)，sigmoid函數(shù)反向傳播時(shí)，很容易就會(huì)出現(xiàn)梯度消失的情況(在Sigmoid接近飽和區(qū)時(shí)，變換太緩慢，導(dǎo)數(shù)趨于 0，這種情況會(huì)造成信息丟失)，從而無(wú)法完成深層網(wǎng)絡(luò)的訓(xùn)練。所以選擇Sigmoid函數(shù)用于對(duì)神經(jīng)網(wǎng)絡(luò)輸出層的激活。其數(shù)學(xué)表達(dá)為

(3)

(a)Sigmoid

1.3.2 損失函數(shù)

對(duì)于本文需要解決的擬南芥植株分割這種二分類任務(wù)，無(wú)需用到復(fù)雜的多分類函數(shù)，模型中的損失函數(shù)是多分類交叉熵函數(shù)的一種特殊情況。當(dāng)多分類中，類別只有兩類時(shí)，即0或者1，即為二分類，二分類也是一個(gè)邏輯回歸問(wèn)題，也可以套用邏輯回歸的損失函數(shù)。為了配合最后一層sigmoid函數(shù)的輸出，選擇與二元交叉熵函數(shù)類似的損失函數(shù)，其數(shù)學(xué)表達(dá)式為

(4)

式中：x——像素點(diǎn)；

w(x)——權(quán)重圖；

log(pl(x)(x))——某一個(gè)類別中，像素x位置的經(jīng)過(guò)交叉熵計(jì)算只后得到的概率P的對(duì)數(shù)，pl(x)(x)的下標(biāo)l(x)表示類別。

1.4 分割精度評(píng)估

將模型對(duì)數(shù)據(jù)集圖像的分割結(jié)果進(jìn)行了評(píng)價(jià)，衡量指標(biāo)選擇Mean Intersection over Union(MIoU)[18]和召回率r。在計(jì)算機(jī)視覺(jué)深度學(xué)習(xí)圖像分割領(lǐng)域中，MIoU值是一個(gè)衡量圖像分割精度的重要指標(biāo)。MIoU可解釋為平均交并比，即在每個(gè)類別上計(jì)算IoU值。由于模型實(shí)現(xiàn)的是二分類任務(wù)，類別數(shù)量為1，在這種情況下IoU即為MIoU取值。而召回率r則表示覆蓋面的度量，度量有多個(gè)葉片像素被分割為白色像素。

在圖像中，將擬南芥葉片中的像素點(diǎn)標(biāo)記為1，如果分割后的圖像中，該像素點(diǎn)仍然為1，則判定為true positive(TP)；如果分割后該像素點(diǎn)被判定為0，則判定為false positive(FP)。原始圖像中不屬于擬南芥葉片的像素點(diǎn)都標(biāo)記為0，如果這樣的像素點(diǎn)被判定為1，則為false negative(FN)；如果這樣的像素點(diǎn)也被判定為0，則為true negative(TN)。模型實(shí)現(xiàn)的是單株植株冠層圖像的二值分割，因此TN情況不影響分割精度評(píng)估，暫不列入MIoU評(píng)估參數(shù)中。為了保證評(píng)估參數(shù)的魯棒性，在數(shù)據(jù)集測(cè)試分割圖像中隨機(jī)選取了30組數(shù)據(jù)TP、FP以及FN的均值作為對(duì)應(yīng)時(shí)期的評(píng)估參數(shù)。此外召回率r，MIoU的計(jì)算公式如下。

(5)

(6)

除此之外，分割后的圖像還會(huì)按照像素精度與人工測(cè)量值進(jìn)行相關(guān)性系數(shù)比較。

2 試驗(yàn)結(jié)果與分析

2.1 模型分割效果

為了測(cè)試圖3中不同激活函數(shù)對(duì)模型分割結(jié)果的影響，在本文中，分割網(wǎng)絡(luò)模型被訓(xùn)練多次，每次都設(shè)置不同的激活函數(shù)。模型是在Windows環(huán)境下的開源深度學(xué)習(xí)框架Tensorflow中搭建的，使用Intel Xeon(R)Gold 6148 CPU 2塊、256 GB RAM和NVIDIA Quadro P6000 GPU的PC上，訓(xùn)練時(shí)間約為45 min。最終，使用不同激活函數(shù)模型的分割效果如圖4所示。

(a)原始圖像

如圖4所示，用于效果展示的測(cè)試集圖像包含不同葉片大小、不同光照條件以及不同品種植物葉片的分割效果，本文訓(xùn)練的模型可以在不同光照條件下可以對(duì)擬南芥植株葉片進(jìn)行分割，株型的大小也不影響模型的分割效果。在效果展示過(guò)程中也包含了A3數(shù)據(jù)集中的煙草葉片分割效果，證明該方法可以對(duì)不同光照條件，不同葉片大小以及不同品種植物的葉片進(jìn)行分割，有較強(qiáng)的魯棒性?？梢愿鶕?jù)研究需求自行獲取圖像，制作數(shù)據(jù)集進(jìn)行精準(zhǔn)的表型提取等方面研究。

使用不同激活函數(shù)的模型分割試驗(yàn)結(jié)果如表1所示，可以看出，以Leaky ReLU作為激活函數(shù)的模型分割效果最佳。該模型對(duì)于A1數(shù)據(jù)集圖像分割后的召回率r為0.94，MIoU為0.93；A2數(shù)據(jù)集的召回率r和MIoU分別為0.96和0.95。盡管A1，A2數(shù)據(jù)集的植株形態(tài)結(jié)構(gòu)以及光照條件都不同，但分割精度基本相同。A2數(shù)據(jù)集圖像的分割精度比A1高出2個(gè)百分點(diǎn)，可能是由于A2數(shù)據(jù)集中圖像質(zhì)量高于其他數(shù)據(jù)集，特征明顯，有利于模型識(shí)別。對(duì)于單張模型的分割時(shí)間相同，為1.2 s左右。

表1 不同激活函數(shù)在數(shù)據(jù)集中的分割精度Tab.1 Segmentation accuracy of different activation functions in the data set

2.2 形態(tài)特征提取

在分割后的圖像中，使用OpenCV提取了擬南芥植株的形狀特征。形態(tài)特征的描述主要分為兩類，一類是基于輪廓的形狀描述，重點(diǎn)描述目標(biāo)區(qū)域邊界輪廓；另一類是基于區(qū)域的形狀描述，主要是通過(guò)區(qū)域面積、幾何矩、偏心率等描述目標(biāo)區(qū)域形狀。本文首先計(jì)算圖像分割后各植株的最小外接圓、葉片中心點(diǎn)、植株邊界框以及植株輪廓等4個(gè)基本幾何特征，如圖5所示；然后依據(jù)這些基本特征進(jìn)一步計(jì)算出植株的覆蓋度、邊界框面積、外接圓半徑和葉片數(shù)量等數(shù)字形態(tài)學(xué)特征，具體計(jì)算公式如下。

圖5 分割結(jié)果中表型參數(shù)提取Fig.5 Extraction of phenotypic parameters in segmentation results1.植株邊界框 2.植株輪廓 3.葉片中心點(diǎn) 4.最小外接圓

1)外接圓半徑R：在植株輪廓上，任意兩個(gè)像素點(diǎn)的最遠(yuǎn)距離

R=max[dis(Ci，Cj)]/2

(7)

式中：Ci，Cj——植株輪廓上最遠(yuǎn)距離的兩個(gè)像素點(diǎn)。

2)邊界框面積S：植株邊界框中長(zhǎng)和寬的值相乘

S=L×H

(8)

式中：L——最小包圍盒中x方向的長(zhǎng)度；

H——y方向長(zhǎng)度。

植株邊界框指n個(gè)能把目標(biāo)植株區(qū)域包括在內(nèi)的矩形中面積最小的矩形。

3)覆蓋度C：由于分割后的圖像是二值圖像，因此覆蓋度計(jì)算選擇像素法，即求出目標(biāo)區(qū)域所占像素的總數(shù)目。

(9)

式中：k——x軸方向上像素個(gè)數(shù)；

l——y軸方向上像素個(gè)數(shù)。

像素法計(jì)算公式就是統(tǒng)計(jì)f(x，y)=1的像素點(diǎn)的個(gè)數(shù)?？梢愿鶕?jù)圖像的長(zhǎng)、寬數(shù)值計(jì)算出每個(gè)像素點(diǎn)的面積，乘以分割后感興趣區(qū)域總的像素個(gè)數(shù)即可得到圖像中植株覆蓋度大小。

2.3 形態(tài)特征提取精度及長(zhǎng)勢(shì)分析

為了評(píng)價(jià)模型的分割性能和表型參數(shù)提取的精度，在測(cè)試集中選取30張圖像，將這30張圖像使用本文模型進(jìn)行分割。在分割結(jié)果中提取了覆蓋度、外接圓半徑、邊界框面積和周長(zhǎng)等表型參數(shù)，與人工分割結(jié)果中提取的數(shù)值進(jìn)行了相關(guān)性比較，比較結(jié)果如圖6所示。

(a)覆蓋度提取結(jié)果比較

從圖6可以看出模型的分割數(shù)值大多在人工分割值的上半部分分布，說(shuō)明模型分割出的覆蓋度數(shù)值整體來(lái)說(shuō)要小于分割結(jié)果。造成這種情況主要有兩種原因，一是因?yàn)槟Ｐ椭写嬖贔P判定情況，葉片邊緣的像素點(diǎn)并沒(méi)有被正確判定[19]；同時(shí)，圖像中部分葉片上純?cè)谡秤型亮?、過(guò)度曝光以及陰影等情況，影響了模型的識(shí)別。當(dāng)然，也存在極少數(shù)模型分割結(jié)果大于人工分割結(jié)果的情況，這種情況大多是因?yàn)榕臄z過(guò)程中，植株附近存在一些雜草，顏色與葉片相近，模型未能識(shí)別。在形態(tài)特征提取方面，模型的分割結(jié)果與人工分割結(jié)果提取的形態(tài)特征數(shù)值對(duì)比結(jié)果表明，提取的四種形態(tài)學(xué)特征參數(shù)R2均大于0.96，NRMSE小于10%，證明模型分割精度很高，可以進(jìn)行進(jìn)一步的表型提取工作。相比于吳煥麗等[9]的研究，本研究模型不但分割精度高于其改進(jìn)的K-means算法，在覆蓋度提取方面具有一定優(yōu)勢(shì)。與Kumar等[10]的研究相比，本文模型可以實(shí)現(xiàn)批量化的圖像分割，節(jié)省大量人力資源。與Goclawski等[13]的方法相比，本文模型的魯棒性更強(qiáng)，適用于多種作物頂視圖像分割。且優(yōu)化過(guò)的U-net全卷積神經(jīng)網(wǎng)絡(luò)模型精度高于Ma等[14]研究中提及的FCN模型。

本文以覆蓋度為例，進(jìn)行了植株的長(zhǎng)勢(shì)分析，分析結(jié)果如圖7所示。

(a)A2數(shù)據(jù)集中10株不同的擬南芥植株覆蓋度

植被覆蓋度是指包括農(nóng)作物、灌木、喬木和雜草在內(nèi)的所有植物冠層、枝葉在其生長(zhǎng)區(qū)域地面的垂直投影面積占研究統(tǒng)計(jì)區(qū)域面積的變分比[20-21]。數(shù)據(jù)集在處理過(guò)程中，進(jìn)行過(guò)規(guī)范化裁剪，保證了背景面積大小一致。因此利用分割網(wǎng)絡(luò)分割出的圖像中葉片像素點(diǎn)占總像素點(diǎn)的比例，即為植株垂直投影面積占總背景面積的比例。將上述比例與總面積相乘，所得結(jié)果就是同等面積區(qū)域內(nèi)不同品種植株的覆蓋度大小。

從圖7分析結(jié)果可以看出，擬南芥和煙草等蓮座植物有著類似的生長(zhǎng)趨勢(shì)，前期存在一定的緩慢發(fā)育期，到達(dá)一定天數(shù)后開始快速生長(zhǎng)。擬南芥前五天的生長(zhǎng)發(fā)育較為緩慢，第5天后開始快速生長(zhǎng)，覆蓋度明顯增加。而煙草植株在第3天開始就進(jìn)入快速生長(zhǎng)時(shí)期。

3 結(jié)論

本文以U-net分割網(wǎng)絡(luò)為基礎(chǔ)，對(duì)模型結(jié)構(gòu)、激活函數(shù)和損失函數(shù)進(jìn)行優(yōu)化調(diào)整，設(shè)計(jì)出新的全卷積網(wǎng)絡(luò)模型，實(shí)現(xiàn)了蓮座植物圖像的分割。

1)本文設(shè)計(jì)的分割網(wǎng)絡(luò)在測(cè)試集圖像中平均的分割精度達(dá)到了0.94，召回率為0.95。模型能夠準(zhǔn)確的分割出植物葉片，可以顯著降低傳統(tǒng)手工方法的工作量，提高分割效率；在分割結(jié)果中提取的形態(tài)學(xué)特征參數(shù)與人工測(cè)量值高度相關(guān)(R2>0.96)，說(shuō)明使用模型的分割結(jié)果進(jìn)行形態(tài)特征提取滿足植物表型提取精度的需求，提取的表型特征參數(shù)可以用于植物的長(zhǎng)勢(shì)分析研究。

2)本文的方法可以對(duì)溫室作物頂視圖像分割、表型提取以及評(píng)估定量表型性狀等方面做出了一定的貢獻(xiàn)，也為育種研究提供一種有價(jià)值的工具。