欧亚国际

谷粒产量是育种家们最关心的性状之一，能够直接体现小麦育种过程中的经济价值。除此以外，随着传感器技术的发展和计算机算力的提高，在整个生育期内以非破坏性方式从冠层中提取大量数据有了实现的可能，从而为使用其他判定标准（如辐射利用效率等）改进品种选择的流程奠定了技术基础。目前，已有相关研究对田间高分辨率图像获取和多传感器系统的应用做出有益尝试。

近日，Plant Phenomics在线发表了题为Wheat Ear Segmentation Based on a Multisensor System and Superpixel Classification的研究论文。

小麦穗数与最终的谷粒产量息息相关，且一些病害（如赤霉病等）仅在麦穗上发作。因此，对麦穗的自动化分割测量穗密度或针对不同器官分别提取相关植物性状的重要步骤，也是小麦图像分析中的关键一环，且由于麦穗间的重叠以及发育阶段、品种或光照条件的不同，此项工作具有相当大的挑战性。

基于卷积神经网络（CNN）的深度学习是目前最先进的计算机视觉分析工具之一，在RGB图像中的麦穗计数任务中有着良好的表现。但是，CNN需要大量的数据集和时间来完成训练，且其底层过程难以被解释，在实际的部署中还需要较为繁琐的步骤。为了规避CNN的缺点，已有很多研究提出了其他用于麦穗检测和计数的方法，但它们的数据的时间跨度往往不大，在分割性能方面也缺乏充分的评估。

为了解决上述痛点，该文章旨在提出一种简单快速、可训练的方法，代替CNN用于抽穗到成熟期小麦穗部图像的分割（Figure 1）：利用RGB和多光谱相机采集的数据，提取其中的超像素特征并分类。该文使用了不同施肥水平下的两个品种，采集从抽穗到成熟期间的图像，训练了三个分类器。其中，效果最好的分类器为支持向量机（SVM），达到了94%的分类准确率（Figure 4）。然而，仅通过超像素分类精度难以充分评估像素级分割的实际效果。因此，作者提出了另一种评估方法来评价整个工作流程：使用自主开发的像素注释工具（Figure 2），每个图像仅需注释几个关键像素，从而快速完成对整个图像集的注释，进而完成对算法的评估。结果表明，该文提出的方法适用于对小麦器官生长动态的进一步研究（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.

论文链接

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

——推荐阅读——

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

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

Plant Phenomics | GWHD_2021：改进后的全球麦穗检测数据集

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

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

Plant Phenomics | Panicle-3D：水稻穗点云精确语义分割的高效表型工具