Plant Phenomics | 基于多傳感器系統和超像素分類的麥穗圖像分割

谷粒產量是育種家們最關心的性狀之一，能夠直接體現小麥育種過程中的經濟價值。除此以外，隨著傳感器技術的發展和計算機算力的提高，在整個生育期內以非破壞性方式從冠層中提取大量數據有了實現的可能，從而為使用其他判定標準（如輻射利用效率等）改進品種選擇的流程奠定了技術基礎。目前，已有相關研究對田間高分辨率圖像獲取和多傳感器系統的應用做出有益嘗試。
 

近日，Plant Phenomics在線發表了題為Wheat Ear Segmentation Based on a Multisensor System and Superpixel Classification的研究論文。
 

小麥穗數與最終的谷粒產量息息相關，且一些病害（如赤霉病等）僅在麥穗上發作。因此，對麥穗的自動化分割測量穗密度或針對不同器官分別提取相關植物性狀的重要步驟，也是小麥圖像分析中的關鍵一環，且由于麥穗間的重疊以及發育階段、品種或光照條件的不同，此項工作具有相當大的挑戰性。
 

基于卷積神經網絡（CNN）的深度學習是目前最先進的計算機視覺分析工具之一，在RGB圖像中的麥穗計數任務中有著良好的表現。但是，CNN需要大量的數據集和時間來完成訓練，且其底層過程難以被解釋，在實際的部署中還需要較為繁瑣的步驟。為了規避CNN的缺點，已有很多研究提出了其他用于麥穗檢測和計數的方法，但它們的數據的時間跨度往往不大，在分割性能方面也缺乏充分的評估。
 

為了解決上述痛點，該文章旨在提出一種簡單快速、可訓練的方法，代替CNN用于抽穗到成熟期小麥穗部圖像的分割（Figure 1）：利用RGB和多光譜相機采集的數據，提取其中的超像素特征并分類。該文使用了不同施肥水平下的兩個品種，采集從抽穗到成熟期間的圖像，訓練了三個分類器。其中，效果最好的分類器為支持向量機（SVM），達到了94%的分類準確率（Figure 4）。然而，僅通過超像素分類精度難以充分評估像素級分割的實際效果。因此，作者提出了另一種評估方法來評價整個工作流程：使用自主開發的像素注釋工具（Figure 2），每個圖像僅需注釋幾個關鍵像素，從而快速完成對整個圖像集的注釋，進而完成對算法的評估。結果表明，該文提出的方法適用于對小麥器官生長動態的進一步研究（Figure 7）。
 

Figure 1 Image processing pipeline from field images to ternary mask.
 

Figure 2 Illustration of the superpixel labelling process.
 

Figure 4 Sequential backward feature selection for the three classifiers. The transparent color areas refer to the standard deviation of the accuracy from the cross-validation.
 

Figure 7 Temporal curve of ear ratio according to nitrogen input for both trials.

論文鏈接

https://doi.org/10.34133/2022/9841985

——推薦閱讀——

Global Wheat Head Detection 2021: An Improved Dataset for Benchmarking Wheat Head Detection Methods

https://doi.org/10.34133/2021/9846158

Plant Phenomics | GWHD_2021：改進后的全球麥穗檢測數據集

Panicle-3D: Efficient phenotyping tool for precise semantic segmentation of rice panicle point cloud

https://doi.org/10.34133/2021/9838929

Plant Phenomics | Panicle-3D：水稻穗點云精確語義分割的高效表型工具

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。2021年中科院期刊分區表影響因子5.706，位于農藝學、植物科學兩個小類一區，遙感小類二區，生物大類一區（Top期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。

中文內容僅供參考，一切內容以英文原版為準。

撰稿：王棟（實習）

編輯：王平

審核：尹歡、孔敏