基于多视角时间序列图像的植物叶片分割与特征提取

摘要：

为了解决多种类植物在生长过程中不同时间点动态变化表型参数提取困难问题,提出了一种基于多视角时间序列图像和深度卷积神经网络Mask-RCNN的植物茎叶实例分割方法,在拟南芥、玉米和酸浆属3种代表性植物上进行了实验.结果 表明,训练得到的基于Mask-RCNN的植物分割模型对在不同生长时期的植物茎叶的识别精度(mAP0.5)大部分在70.0％以上,最高可以达到87.5％,模型通用性较好.同时,针对茎叶遮挡问题提出的基于多视角图像的跟踪算法,可进一步提高植物茎叶参数提取的准确率.本文提出的以茎叶为代表的植物器官分割和特征提取方法具有性能高效、成本低、通用性和扩展性好的优势,可为不同场景下植物全生长过程中的多表型参数提取提供参考.

关键词：植物表型;实例分割;特征提取;Mask-RCNN;叶片计数;时间序列图像

所属期刊栏目：53

分类号：TP391.4(计算技术、计算机技术)

资助基金：国家自然科学基金;重庆市自然科学基金面上项目

在线出版日期：2022-03-09（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：253-260