文献类型：期刊文章

作　　者：段凌凤[1] 熊雄[2] 刘谦[2] 杨万能[1,3] 黄成龙[1]

Duan Lingfeng;Xiong Xiong;Liu Qian;Yang Wanneng;Huang Chenglong(College of Engineering,Huazhong Agricultural University,Wuhan 430070,China;Wuhan National Laboratory forOptoelectronics,Huazhong University of Science and Technology,Wuhan 430074,China;National Key Laboratory of CropGenetic Improvement,Huazhong Agricultural University,Wuhan 430070,China)

机构地区：[1]华中农业大学工学院,武汉430070 [2]华中科技大学武汉光电国家研究中心,武汉430074 [3]华中农业大学作物遗传改良国家重点实验室,武汉430070

出　　处：《农业工程学报》

基　　金：国家自然科学基金资助项目(31701317;31600287);湖北省自然科学基金资助项目(2017CFB208);国家重点研发计划课题子课题(2016YFD0100101-18)

年　　份：2018

卷　　号：34

期　　号：12

起止页码：202-209

语　　种：中文

收录情况：AJ、BDHX、BDHX2017、CAB、CAS、CSA、CSA-PROQEUST、CSCD、CSCD2017_2018、EI、FSTA、IC、JST、PROQUEST、RCCSE、SCOPUS、ZGKJHX、核心刊

摘　　要：稻穗的准确分割是获取水稻穗部性状、实现水稻表型自动化测量的关键。该研究应用水稻图像数据集及数据增广技术,离线训练了用于稻穗分割的3个分别基于Seg Net,Deep LAB和PSPNet的全卷积神经网络。综合考虑分割性能和计算速度,优选了基于Seg Net的网络,称为Panicle Net。在线分割阶段先将原始图像划分为子图,由Panicle Net分割子图,再拼接子图得到分割结果。比较该算法及现有作物果穗分割算法Panicle-SEG、HSeg、i2滞后阈值法及joint Seg,该算法对与训练样本同年度拍摄样本Qseg值0.76、F值0.86,不同年度样本Qseg值0.67、F值0.80,远优于次优的Panicle-SEG算法,且计算速度约为Panicle-SEG算法的35倍。该算法能克服稻穗边缘严重不规则、不同品种及生育期稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰,提升稻穗分割准确度及效率,进而服务于水稻育种栽培。

关 键 词：作物 图像分割 大田水稻  稻穗分割  深度学习  全卷积神经网络  

分 类 号：S126]