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

谷粒產(chǎn)量是育種家們最關(guān)心的性狀之一，能夠直接體現(xiàn)小麥育種過程中的經(jīng)濟(jì)價(jià)值。除此以外，隨著傳感器技術(shù)的發(fā)展和計(jì)算機(jī)算力的提高，在整個(gè)生育期內(nèi)以非破壞性方式從冠層中提取大量數(shù)據(jù)有了實(shí)現(xiàn)的可能，從而為使用其他判定標(biāo)準(zhǔn)（如輻射利用效率等）改進(jìn)品種選擇的流程奠定了技術(shù)基礎(chǔ)。目前，已有相關(guān)研究對(duì)田間高分辨率圖像獲取和多傳感器系統(tǒng)的應(yīng)用做出有益嘗試。
 

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

小麥穗數(shù)與最終的谷粒產(chǎn)量息息相關(guān)，且一些病害（如赤霉病等）僅在麥穗上發(fā)作。因此，對(duì)麥穗的自動(dòng)化分割測(cè)量穗密度或針對(duì)不同器官分別提取相關(guān)植物性狀的重要步驟，也是小麥圖像分析中的關(guān)鍵一環(huán)，且由于麥穗間的重疊以及發(fā)育階段、品種或光照條件的不同，此項(xiàng)工作具有相當(dāng)大的挑戰(zhàn)性。
 

基于卷積神經(jīng)網(wǎng)絡(luò)（CNN）的深度學(xué)習(xí)是目前最先進(jìn)的計(jì)算機(jī)視覺分析工具之一，在RGB圖像中的麥穗計(jì)數(shù)任務(wù)中有著良好的表現(xiàn)。但是，CNN需要大量的數(shù)據(jù)集和時(shí)間來完成訓(xùn)練，且其底層過程難以被解釋，在實(shí)際的部署中還需要較為繁瑣的步驟。為了規(guī)避CNN的缺點(diǎn)，已有很多研究提出了其他用于麥穗檢測(cè)和計(jì)數(shù)的方法，但它們的數(shù)據(jù)的時(shí)間跨度往往不大，在分割性能方面也缺乏充分的評(píng)估。
 

為了解決上述痛點(diǎn)，該文章旨在提出一種簡(jiǎn)單快速、可訓(xùn)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(jī)采集的數(shù)據(jù)，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(gè)品種，采集從抽穗到成熟期間的圖像，訓(xùn)練了三個(gè)分類器。其中，效果最好的分類器為支持向量機(jī)（SVM），達(dá)到了94%的分類準(zhǔn)確率（Figure 4）。然而，僅通過超像素分類精度難以充分評(píng)估像素級(jí)分割的實(shí)際效果。因此，作者提出了另一種評(píng)估方法來評(píng)價(jià)整個(gè)工作流程：使用自主開發(fā)的像素注釋工具（Figure 2），每個(gè)圖像僅需注釋幾個(gè)關(guān)鍵像素，從而快速完成對(duì)整個(gè)圖像集的注釋，進(jìn)而完成對(duì)算法的評(píng)估。結(jié)果表明，該文提出的方法適用于對(duì)小麥器官生長動(dòng)態(tài)的進(jìn)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(jìn)后的全球麥穗檢測(cè)數(shù)據(jù)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(diǎn)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(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、專刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

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(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)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(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。2021年中科院期刊分區(qū)表影響因子5.706，位于農(nóng)藝學(xué)、植物科學(xué)兩個(gè)小類一區(qū)，遙感小類二區(qū)，生物大類一區(qū)（Top期刊）。2020年入選中國科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。

中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。

撰稿：王棟（實(shí)習(xí)）

編輯：王平

審核：尹歡、孔敏