基于Mask R-CNN的柑橘主叶脉显微图像实例分割模型

摘要：

针对目前植物解剖表型的测量与分析过程自动化低,难以应对复杂解剖表型的提取和识别的问题,以柑橘主叶脉为研究对象,提出了一种基于掩膜区域卷积神经网络(Mask region convolutional neural network,Mask R-CNN)的主叶脉显微图像实例分割模型,以残差网络ResNet50 和特征金字塔(Feature pyramid network,FPN)为主干特征提取网络,在掩膜(Mask)分支上添加一个新的感兴趣区域对齐层(Region of interest Align,RoI-Align),提升Mask分支的分割精度.结果表明,该网络架构能够精准地对柑橘主叶脉横切面中的髓部、木质部、韧皮部和皮层细胞进行识别分割.Mask R-CNN模型对髓部、木质部、韧皮部和皮层细胞的分割平均精确率(交并比(IoU)为 0.50)分别为98.9%、89.8%、95.7%和97.2%,对4 个组织区域的分割平均精确率均值(IoU为 0.50)为 95.4%.与未在Mask分支添加RoI-Align的Mask R-CNN相比,精度提升1.6 个百分点.研究结果表明,Mask R-CNN模型对柑橘主叶脉各类组织区域具有良好的识别分割效果,可为柑橘微观表型研究提供技术支持与研究基础.

关键词：柑橘主叶脉、显微图像、掩膜区域卷积神经网络、实例分割、微观表型

所属期刊栏目：54

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62005046

在线出版日期：2023-08-07（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：252-258,271