用于精确分割重叠田间植物的自监督 CNN

高通量表型分析显着推进了农业植物数据收集。然而，在野外图像中准确分割重叠植物时会出现挑战。当前的方法，例如神经网络和 K 均值辅助训练，可以有效地处理具有简单背景的图像，但在处理复杂、重叠的植物场景时却表现不佳。

迫切的研究需求是开发一种自动化机器学习技术，用于分割田地中的重叠植物，而不依赖于劳动密集型的人工标记数据，这对于空间有限的实验田中的精确生长分析至关重要。

2023年5月，Plant Phenomics发表了一篇题为“ High-Throughput Field Plant Phenotyping：A Self-Supervised Sequential CNN Method to Segment Overlapping Plants ”的研究文章。

在这项研究中，提出了一种自监督顺序卷积神经网络(SS-CNN)，专门用于解决表型分析中分离重叠植物图像的挑战。SS-CNN 模型使用植物邻近区域的像素强度来区分前景植物和背景植物，这项任务比区分植物和非植物背景更为复杂。

分割的图像可以准确测量植物高度，有助于构建完整的植物生长曲线。然后使用功能主成分分析(FPCA)对这些曲线进行分析，以研究生长动态和基因型影响。

当将 SS-CNN 应用到 2017 年旱田数据时，计算了 103 个基因型的中位株高，并提供了个体生长曲线估计。值得注意的是，由于2017年8月的风暴破坏，仅使用8月之前的图像来拟合生长曲线。

前两个功能主成分 (FPC) 解释了这些增长曲线中 95% 以上的总方差。这些成分有助于了解基因型之间不同的增长率和随时间的变化。FPC 分数的散点图提供了对特定基因型对的生长模式的深入了解，说明了总体生长率的变化和整个生长季节的变化。

总之，这种方法代表了表型研究的重大进步，可以在现场进行自动化、准确的植物性状测量和实时统计分析。未来的计划包括将该管道与现场成像机器人集成，以进行动态现场数据处理。该方法为表型研究中植物生长和基因型效应的详细、有效分析开辟了新的可能性。