邓寒冰，许童羽，周云成，苗 腾,3，李 娜，吴 琼，朱 超，沈德政

基于深度掩码的玉米植株图像分割模型

邓寒冰1,2，许童羽1,2※，周云成1,2，苗 腾1,2,3，李 娜1,2，吴 琼1,2，朱 超1，沈德政1

（1. 沈阳农业大学信息与电气工程学院，沈阳 10866；2. 辽宁省农业信息化工程技术研究中心，沈阳 10866；3. 北京农业信息技术研究中心，北京 00097）

随着深度学习技术在植物表型检测领域的应用，有监督深度学习逐渐成为植物表型信息的提取与分析的主要方法。但由于植物结构复杂、细节特征多，人工标注的成本和质量问题已成为制约技术发展的瓶颈。该研究针对玉米苗期植株图像分割问题提出一种基于深度掩码的卷积神经网络（Depth Mask Convolutional Neural Network，DM-CNN），将深度图像自动转换深度掩码图像，并替代人工标注样本完成图像分割网络训练。试验结果表明，在相同的网络训练参数下，通过测试DM-CNN得到的平均交并比为59.13%，平均召回率为65.78%，均优于人工标注样本对应的分割结果（平均交并比为58.49%，平均召回率为64.85%）；此外，在训练样本中加入10%室外玉米苗期图像后，DM-CNN对室外测试集的平均像素精度可以达到84.54%，证明DM-CNN具有良好的泛化能力。该研究可为高通量、高精度的玉米苗期表型信息获取提供低成本解决方案及技术支持。

图像分割；模型；图像处理；玉米；深度掩码；植物表型；深度密度函数

0 引 言

随着越来越多的视觉传感器应用于植物全生长期信息采集过程，计算机视觉技术逐渐成为植物表型组学领域的研究重点。如何快速、高精度地获取植物表型信息一直都是该领域研究的技术难点，而图像分割方法是解决该问题的一个重要技术手段。……