杨万里，段凌凤，杨万能

1.华中农业大学工学院，武汉 430070； 2.华中农业大学作物遗传改良国家重点实验室，武汉 430070

我国是世界上最大的稻米消费国[1]，为提高我国稻米的自给率，水稻单产的持续增加一直是育种和栽培研究的重要目标[2-3]，精准的产量预测可以加快育种的速度并为粮食的种植提供指导[4]。水稻穗部的表型特征、穗数、稻穗的投影面积等与产量有着极为密切的关系[5]，而且穗部表型特征的识别在水稻的病虫害检测、营养分析、抽穗期的检测具有重要的指导意义[6-7]。因此，水稻稻穗准确识别和分割是水稻产量预测和表型研究的关键。

随着近年水稻功能基因组学的发展，准确快速获取大规模群体表型数据对水稻的育种和改良具有重要意义[8-9]，而传统的表型数据获取往往需要进行大量的人工实验且费时费力，自动化快速的表型提取方法可以突破传统水稻表型技术的瓶颈，加快水稻育种速度。现有研究通过图像颜色特征分割果穗[10-12]，但是这种方法分割的准确度不高且容易产生噪声，不能满足复杂环境下稻穗分割的要求。随着深度学习的快速发展，其在作物果穗的识别和分割上得到广泛应用。Ghosal等[13]提出一种基于卷积神经网络的高粱穗的计数方法；Xiong等[14]提出一种基于卷积神经网络的Panicle-SEG网络进行水稻稻穗分割，针对复杂环境具有很好的适应性；Sadeghi-Tehran等[15]提出一种基于简单线性迭代聚类和深度卷积神经网络的田间小麦穗自动技术的系统DeepCount；……