小麦是世界三大谷物之一，每年在世界上种植约2.15亿公顷，全球每年交易价值近500亿美元。城市化和收入增加正推动全球小麦消费快速增长。据预测，到2050年，消费者对小麦产量的需求将比现在增加60%。此外，小麦生产还需要应对气候变化带来的挑战。因此，提高小麦的基因利用效率和气候适应性是未来粮食安全的关键。在作物遗传改良的两大支柱中，基因分型现在变得更加容易和准确，而在建立表型-基因型关系方面，表型分析仍然是一个限速步骤。为了消除这一瓶颈，基于图像的非破坏性表型组学正在全球范围内获得长足发展。视觉图像是非破坏性高通量表型分析和作物管理中最常用和最低成本的成像系统方法。
麦穗是小麦的结实器官，麦穗的检测和计数是控制环境和田间条件下大量种质资源和育种系表型组学研究的关键。这对于精准农业也是必要的，因为麦穗发育阶段需要施用氮、水和其他投入。麦穗计数是决定产量的重要措施。通过肉眼计算每单位面积的穗数是一个费时费力的过程。因此，需要图像分析的无损检测和计数作为一种快速的替代方案。
本文提出了一种基于计算机视觉的麦穗识别与计数方法。针对麦穗识别问题，提出了一种新的深度学习网络SpikeSegNet，该网络结合了两种新的特征网络：LPNet和GMRNet。LPNet输出分割的掩膜图像，GMRNet在全局级进一步细化。文中200种小麦植株的RGB图像采集由安装在印度农业研究所植物表型中心的LemnaTec表型成像系统执行。
图1 图像数据集的准备：原始图像采集及图像处理
图2 Patch生成
图3 SpikeSegNet的流程图
图4 LPNet网络的架构
图5 GMRNet网络的架构
实验结果表明，该方法对麦穗的分割精度为99.93%，准确度为99.91%，稳健性为99.91%。为了计算麦穗数目，在SpikeSegNet模型的输出图像上应用了imageJ的“分析粒子”功能。麦穗的计数精度、准确度和稳健性分别为99%、95%和97%。
图6 不同照明级别图像的分割性能
图7 SpikeSegNet的性能与现有方法的比较
图8 麦穗计数与地面真实数据的比较
参考文献
Misra T, Arora A, Marwaha S,et al.SpikeSegNet-a deep learning approach utilizing encoder-decoder network with hourglass for spike segmentation and counting in wheat plant from visual imaging.Plant Methods, , 16(1): 1-20.
扩展阅读：
•ROSE-X：评价3D植物器官分割方法的带注释数据集
•菊花品种识别新方法：基于图像的深度学习
•田间棉铃计数及产量预测的图像处理算法
•基于深度学习（CNN）的黄瓜白粉病分割与量化
想涨姿势？快来关注这个公众号吧
中国加油，武汉加油，愿伟大的祖国早日战胜疫情。
