不同生长阶段顶视相机角度下进行稻穗分割
近日华中农业大学和华中科技大学联合作物表型研究团队在《Plant Methods》杂志上发表题为：Panicle-SEG: A robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization的文章，该文章首次将深度学习技术和超像素聚类算法相结合，实现了高鲁棒性的大田小区水稻稻穗分割，实验结果表明，该算法能适用于不同的光照环境，不同的水稻品种，不同的水稻生育期，并且能处理不同的成像场景和角度的水稻图像。
水稻是世界大部分人口的主要粮食作物，稻穗作为一种重要的农艺学器官，其与水稻的产量，疾病的检测，生育期的判断都有密切的联系。大田环境是水稻生长的真实生长环境，所以研究田间水稻稻穗首先要解决的如何将其精准的分割出来。通常田间的环境是十分复杂的，变化的光照，风场的干扰，天气的影响，水的反射和茎叶混叠遮挡的现象都给水稻稻穗的研究带来了困难。同时，由于水稻品种的差异，使得稻穗在颜色，纹理，形态，大小和姿态上都有着很大的差异，不同的拍照视角也会使得稻穗图像差异很大，这些问题都给田间水稻稻穗的分割带来了不小的挑战。因此通用的分割算法不再那么适用，必须设计出一套鲁棒性更高的田间水稻稻穗分割算法。
近年来，深度学习方法在多个领域广泛应用，由于其强大的自动特征提取、复杂模型构建以及图像处理能力，其非常适合生物图像处理中所面临的新问题。本研究中，田间水稻以小区的方式种植，每个小区（90×90 cm2）种有20株相同品种的水稻，小区与小区之间以保护行的形式隔开。每块小区获取两张照片，即分别从顶视和俯视对水稻小区成像。将获取的顶视图像和俯视图像分成训练集，验证集和测试集。对于训练样本（包括训练集和验证集），利用简单线性迭代聚类（SLIC）的方法提取最终训练的图像块（patches），通过卷积神经网络来进行分类模型的训练。然后利用训练好的CNN模型对测试样本进行分类测试。粗分割结果优化后得到最终的稻穗的分割图像。基于深度学习的方法，本研究仅仅利用普通的单目RGB相机来获取大田水稻图像，并提出了一种将稻穗分割任务转换成分类任务来实现的新思路，该方案在较好实现水稻稻穗分割的同时也保证了分割边缘的完整性，同时，对于复杂多变的场景和环境（如不同光照等），该算法都具有很好的分割鲁棒性，对于不同成像角度的图像，该算法同样能够适用，在测试样本的平均分割精度在80%以上。
Panicle-SEG算法流程图
该工作得到了国家高技术发展计划（National Program on High Technology Development (2013AA102403)）、国家重点研究与发展计划（National key research and development program (2016YFD0100101-18)）、国家自然科学基金（National Natural Science Foundation of China (31701317, 31770397)）、湖北省自然科学基金（Hubei Provincial Natural Science Foundation of China (2017CFB208)）、湖北科学条件和资源研究项目（Scientific Conditions and Resources Research Program of Hubei Province of China (2015BCE044)）和学校基础研究基金（Fundamental Research Funds for the Central Universities (2662015QC006, 2662017PY058)）的资助。
来源：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.