曹英丽 林明童 郭忠辉 肖 文 马殿荣 许童羽

(1.沈阳农业大学信息与电气工程学院， 沈阳 110866； 2.辽宁省农业信息化工程技术中心， 沈阳 110866；3.沈阳农业大学农业农村部东北水稻生物学与遗传育种重点实验室， 沈阳 110866)

0 引言

农田作物信息的快速获取与解析是开展精准农业实践的前提和基础，是突破制约中国精准农业应用发展瓶颈的关键。作物生长期预测[1]、作物品系检测[2]、覆盖作物识别[3]、叶病检测[4-5]和作物生物量监测[6]都高度依赖于作物分割算法的性能。作物分割在农业信息自动化中起到基础性的作用[7]。

文献[8-9]提出了基于多色彩空间和支持向量机的Multi-SVM分割方法，将支持向量机(SVM)和最大类间方差法(OTSU)相结合，用于水稻冠层图像分割。文献[10]采用卷积神经网络和超像素优化的深度学习方法，提出稻穗分割算法Panicle-SEG。文献[11]综合考虑分割性能和计算速度，提出基于SegNet的PanicleNet算法，其精度远优于Panicle-SEG算法，且计算速度约为Panicle-SEG算法的35倍。有研究者将改进的全卷积神经网络应用于云杉图像分割[12]、柑橘分割[13]、牧草识别[14]和棉田分割[15]。文献[16]提出一种弱监督深度学习方法，可以使用少量的弱监督标签对农田图像进行分割。

以上研究均基于监督学习，需要大量的标记训练数据，消耗大量的人力和物力。监督学习算法的性能在很大程度上依赖于训练数据集的质量。由于作物种植环境复杂，不同图像的像素具有不同的统计特性。例如，光照和天气条件对不同图像稻穗像素的统计分布有极大的影响。……