研究目的與方法：
在植物圖像實(shí)例分割任務(wù)中，由于植物種類與形態(tài)的多樣性，采用全監(jiān)督學(xué)習(xí)時(shí)人們很難獲得足量、有效且低成本的訓(xùn)練樣本。為解決這一問(wèn)題，該研究提出一種基于自生成標(biāo)簽的
玉米苗期圖像實(shí)例分割網(wǎng)絡(luò)（automatic labelling based instance segmentation network，AutoLNet），在弱監(jiān)督實(shí)例分割模型的基礎(chǔ)上加入標(biāo)簽自生成模塊，利用顏色空間轉(zhuǎn)換、輪廓跟蹤和最小外接矩形在玉米苗期圖像（俯視圖）中生成目標(biāo)邊界框（弱標(biāo)簽），利用弱標(biāo)簽代替人工標(biāo)簽參與網(wǎng)絡(luò)訓(xùn)練，在無(wú)人工標(biāo)簽條件下實(shí)現(xiàn)玉米苗期圖像實(shí)例分割。
結(jié)果與結(jié)論：
試驗(yàn)結(jié)果表明，自生成標(biāo)簽與人工標(biāo)簽的距離交并比和余弦相似度分別達(dá)到95.23%和94.10%，標(biāo)簽質(zhì)量可以滿足弱監(jiān)督訓(xùn)練要求；AutoLNet輸出預(yù)測(cè)框和掩膜的平均精度分別達(dá)到68.69%和35.07%，與人工標(biāo)簽質(zhì)量相比，預(yù)測(cè)框與掩膜的平均精度分別提高了10.83和3.42個(gè)百分點(diǎn)，與弱監(jiān)督模型（DiscoBox和Box2Mask）相比，預(yù)測(cè)框平均精度分別提高了11.28和8.79個(gè)百分點(diǎn)，掩膜平均精度分別提高了12.75和10.72個(gè)百分點(diǎn)；與全監(jiān)督模型（CondInst和Mask R-CNN）相比，AutoLNet的預(yù)測(cè)框平均精度和掩膜平均精度可以達(dá)到CondInst模型的94.32%和83.14%，比Mask R-CNN模型的預(yù)測(cè)框和掩膜平均精度分別高7.54和3.28個(gè)百分點(diǎn)。AutoLNet可以利用標(biāo)簽自生成模塊自動(dòng)獲得圖像中玉米植株標(biāo)簽，在無(wú)人工標(biāo)簽的前提下實(shí)現(xiàn)玉米苗期圖像的實(shí)例分割，可為大田環(huán)境下的玉米苗期圖像實(shí)例分割任務(wù)提供解決方案和技術(shù)支持。
引文信息：
趙露露，鄧寒冰，周云成，等. 基于自生成標(biāo)簽的玉米苗期圖像實(shí)例分割[J]. 農(nóng)業(yè)工程學(xué)報(bào)，2023，39（11）：201-211
doi: 10.11975/j.issn.1002-6819.202301085