基于U-net语义分割模型的田间玉米冠层图像分割

王晓东，樊江川，杜建军，云 挺，温维亮，郭新宇 *

(1.中国农业大学 信息与电气工程学院,北京100083) (2.国家农业信息化工程技术研究中心，北京 100097) (3.数字植物北京市重点实验室, 北京 100097) (4.南京林业大学 信息科学技术学院, 南京210037)

基于可见光图像的玉米长势监测与表型解析在现代玉米育种、生产和管理中扮演了重要的角色[1-2].田间生长环境下采集的玉米冠层图像普遍受到复杂天气条件影响，这使得自动分割玉米多生育期图像数据面临巨大挑战，如何从玉米冠层图像序列中高质量提取出玉米结构信息，并准确确定其生育期成为当前作物表型研究热点之一[3].

近年来，传统的图像分割算法如阈值法[4]、聚类法[5]、区域生长法[6-7]、图论法[8]等在农业领域得到了广泛应用.传统的图像分割方法多基于人工提取图像的灰度、颜色、纹理和空间几何等特征，通过增强这些特征在前景与背景区域的差异性，使得前景与背景分离.这类方法虽然相对简单且易于实现，但人工定义的图像特征难以全面描述作物对复杂生长环境的响应，使得传统的算法只适用于特定类型的图像分割，而在处理不同光照条件、不同生育期作物图像时传统算往往法泛化能力不足，存在大量过分割和欠分割现象.

随着卷积神经网络的发展，深度学习已在自然语言处理[9]、图像识别[10-11]、视频跟踪[12]等领域超越了传统的机器学习算法.在农业领域，由于卷积神经网络较强的图像特征提取能力，越……