基于深度全卷积神经网络的大田稻穗分割

段凌凤，熊 雄，刘 谦，杨万能,3，黄成龙※

(1.华中农业大学工学院，武汉 430070；2.华中科技大学武汉光电国家研究中心，武汉 430074；3.华中农业大学作物遗传改良国家重点实验室，武汉 430070）

0 引 言

高产一直是水稻育种与栽培的重要目标之一[1]。在水稻育种与栽培相关领域研究中，需要测量大量候选样本在不同环境下的产量，为培育高产、优质、抗逆的水稻品种提供科学依据[2]。稻穗是水稻谷粒着生的器官，穗部性状与水稻产量直接相关[3]。稻穗在水稻病虫害检测[4]、营养诊断[5]及生育期检测[6]等方面也起着非常重要的作用。因此，稻穗的准确分割，是获取水稻穗部性状、实现水稻表型自动化测量的关键步骤[7]。不同品种及生育期稻穗外观如形状、颜色、大小、纹理、姿态等存在较大差异，稻穗边缘严重不规则，穗叶颜色也很大程度混叠。田间自然环境复杂，水稻不同器官间相互遮挡，光照不均匀且不断变化，这些因素都使得复杂大田环境下的稻穗分割非常困难。

一些学者基于像素水平的颜色特征[8-10]和纹理特征[11-12]分割果穗，处理速度快，但极易产生噪声。通过生成候选区域，判定候选区域的类别（穗或背景），可提高分割准确度[13-15]。目前，大多数研究基于像素水平颜色特征生成候选区域[13-15]，区域边界贴合性较差，直接影响了候选区域识别及最终分割效果。Lu等融合简单线性迭代聚类方法（simple linear iterative clustering，SLIC）和graph-based方法产生超像素，提取超像素的平均颜色，由神经网络群体模型判别超像素类型，实现了玉米穗的分割[16]。在禾本科作物果穗识别方面，Guo等通过SVM(support vector machine)对处于抽穗期的稻穗检测问题进行研究[17]。范梦扬等基于麦穗颜色和纹理特征，利用SVM对麦穗区域进行识别[18]。

卷积神经网络(convolutional neural network,CNN)是近几年来兴起的一种适用于图像分析的深度学习模型[19-20]，已成功应用于农业图像识别与分割[21-27]。在作物果穗识别与分割方面，Pound等[28]利用CNN实现了小麦特征部位如根尖、穗尖、穗基部等的识别。Xiong等[7]提出了一种基于超像素分割和CNN的稻穗分割算法-Panicle-SEG，能很好地应用于不同品种及生育期的大田稻穗分割，缺点在于算法耗时较长。

本研究提出了一种基于深度全卷积神经网络的大田稻穗分割算法，目标在于提升稻穗分割准确度及效率，为水稻表型自动化测量提供新的工具，进一步服务于水稻育种及栽培。

1 材料与方法

1.1 图像采集

本研究采用的水稻品种来源于水稻种质资源。选取稻穗外观差异大的73个水稻品种，于2016年以小区形式种植于大田。每个小区面积为80×96 cm2，按5行4列（行距16 cm）的形式种植同一个品种的20株水稻。不同小区种植不同品种，小区与小区之间由保护行进行隔离。小区与小区之间间隔32 cm。通过尼康D40数码相机拍摄水稻图像，每张图像包含一个小区。共采集73张大田水稻图像，包含73个不同品种，各品种生育期不一致（从抽穗期至成熟期），拍摄时光照条件也不一致。随机取其中的50张用于离线训练大田稻穗分割算法，剩下的23张作为测试样本（称为2016测试图像集），用于评估算法的分割性能。

为进一步测试网络的泛化能力，于2017年种植水稻种质资源中除2016年73个品种以外的22个品种，并对这些品种进行高温胁迫，以测试算法对不同生长环境水稻稻穗的分割性能。相比于2016年的水稻，这些水稻所处生育期更接近于成熟期。一些品种稻穗抽出时间不一致，因此同一张图像中水稻不同稻穗间生育期不一致的现象更为严重。共采集22张图像，同样包含不同生育期，称为2017测试图像集。

1.2 基于深度全卷积神经网络的稻穗分割

本研究基于深度全卷积神经网络分割稻穗，流程见图1，主要包括2个步骤：1）PanicleNet离线训练；2）基于PanicleNet在线分割水稻图像。

图1 基于PanicleNet的稻穗分割总体技术流程Fig.1 Overall technical flowchart for panicle segmentation based on PanicleNet

1.2.1 PanicleNet网络结构

PanicleNet的网络结构与SegNet[29]类似。SegNet是由Cambridge提出的用于图像语义分割的深度全卷积神经网络，主要由编码网络、解码网络及像素级分类器构成[29]。编码网络的结构与VGG-16[30]相同，其特殊之处在于解码网络的设计。SegNet记录每个编码层在最大池化时的池化索引，并利用该因子进行上采样，从而无需学习如何上采样。SegNet的最大优势在于内存效率和计算效率高，且需要训练的参数相对较少[29]。

SegNet采用对称编解码的结构来获得多尺度信息，相比于FCN(fully convolutionalnetworks)[31]，最大池化索引结构的引入使得SegNet计算量更小、精度更高。而相比于加入空洞卷积等结构使得精度更高的DeepLab[32]和PSPNet[33]等网络，SegNet的网络结构更加简单、运算速度更快。本研究中的稻穗分割是一个二分类问题，SegNet已经能够实现较高精度，对称编解码的结构使得网络引入了多尺度的能力，非常适合处理田间细小且不规则稻穗的分割问题，因此本研究基于SegNet设计PanicleNet，SegNet最后一个卷积层的通道数11，在本文中为2（PanicleNet），分别对应于稻穗和背景。

PanicleNet的具体结构见图2。每个卷积层的滑动步长（stride）均为1个像素，并通过边界扩充（pad=1）保持输入输出维度不变。池化层均采用最大池化，池化窗口大小为2×2，滑动步长为2。上采样层的采样尺度（scale）均为2。PanicleNet最后一个卷积层的通道数为2，其输出的特征图被输入到Softmax分类器进行逐像素的分类，最终输出分割结果图。

图2 PanicleNet网络结构示意图Fig.2 Illustration of PanicleNet architecture

1.2.2 PanicleNet离线训练

在本研究中，50张1971×1815像素（高×宽）的大田图像被用于离线训练PanicleNet。首先利用Photoshop对原始大田图像进行人工标注，稻穗像素被标注为1，背景像素被标注为0，作为真实分割结果。

图3 训练样本亮度调整扩增数据Fig.3 Data augmentation by adjusting illumination component

PanicleNet的具体训练过程如下：

1）图像补边及裁剪：为将原始图像变为可裁成整数张子图（360×480像素）的图像，对于每一张用于PanicleNet训练的原始图像及其对应的人工标注图像，对图像边缘补黑，具体操作为将1971×1815像素图像的边缘对称地补黑，补黑后的图像大小为2160×1920像素。将每张图像不重叠且无间隔地裁成24张360×480像素的图像，作为PanicleNet的输入图像。50张图像，共裁剪为50×24=1 200张子图。

2）划分训练集与验证集：将1 200张子图按4∶1的比例随机划分为训练集和验证集。

3）数据扩增：对每一张子图，均进行亮度调整，保持H分量和S分量不变，V分量分别增大、减小20%，用于模拟大田环境中的光照变化，提高PanicleNet的泛化能力。图3为典型的经过数据扩增的样本图像。经过数据扩增后，训练集和验证集的样本数分别为2 880和720张。

4）网络离线训练：基于Caffe平台训练PanicleNet。采用随机梯度下降法（stochastic gradient descent,SGD）训练网络，动量因子（momentum）设置为0.9，学习速率为0.001，利用VGG-16对PanicleNet的参数进行初始化，即采用微调(fine-tuning)的方法训练网络。训练集的batchsize设置为4，验证集的batchsize设置为2。图像中稻穗像素（类别1）和背景像素（类别0）的数目严重不平衡，背景像素数目远大于前景。若不进行处理，则训练出来的网络会倾向于将待分割像素分成背景。PanicleNet通过在损失中加入惩罚权重的方法来实现类别平衡，具体为对大样本类别（背景）设置较小的损失权重系数，而小样本类别（稻穗）则设置较大的损失权重系数。计算方法见式（1）～（2）。

式中W0为背景像素的权重，W1为稻穗像素的权重，Ni0为第i张图像中背景像素的个数，Ni1为第i张图像中稻穗像素的个数，Ni为第i张图像中像素的总数。

在本研究中，经过计算，背景和稻穗的权重分别为0.5873和3.3641。每训练720个epoch，进行一次验证，验证迭代次数为360，即每将所有的训练样本训练一次后，对所有的验证样本进行验证。当误差收敛（基本不变）时，停止训练。最终选用的网络迭代次数为72 000，即将所有样本训练了100次。

1.2.3基于PanicleNet在线分割水稻图像

离线训练好PanicleNet后，即可利用PanicleNet在线分割水稻图像。

1）图像边缘补黑，变为可裁为整数张子图，（360×480像素）的图像。2）图像裁剪为若干张子图，并记录子图的位置索引，以便于后续图像拼接恢复原始图像（图4）。3）基于PanicleNet对子图进行像素级语义分割。4）将分割后的子图按照其索引位置拼接为大图。5）去除补黑的边界，恢复与原始图像大小相同的分割图像。

图4 图像裁剪及子图位置索引记录示意图Fig.4 Image clipping and sub-image location indexes recording

1.3 分割性能对比试验及评价指标

基于上述图像分割过程，本研究利用包含不同品种、生育期及生长环境的2个测试图像集：2016测试图像集及2017测试图像集对本文算法的分割性能进行评估，并与现有作物果穗分割算法Panicle-SEG[7]、HSeg[10]、i2滞后阈值法[15]及JointSeg[16]进行对比。通过Qseg、召回率、精度以及F值评价分割性能[7]。其中Qseg值反映分割结果与真实值之间的相符程度，其值在0～1之间，Qseg值越高，分割效果越好。精度反映被分割为稻穗的样本中其真实标签为稻穗的比例，是分割结果精确程度的一种表征。召回率反映真实标签为稻穗的样本被正确分割的比例，衡量了分割稻穗区域的完整性。精度和召回率通常呈负相关，精度提高，召回率通常会降低，反之亦然。F值为综合考虑召回率和精度的平衡指标，兼顾分割的精准程度和完整性，F值越高，分割效果越好。

式中A为由分割算法分割得到的像素类别集合，包括背景（v=0）和前景（v=1），B为对应像素集的真实标签集合，包括背景（v=0）和前景（v=1）。i,j为像素索引，m为图像高，n为图像宽，vi,j为第i列第j行像素的灰度值。

式中TP为真实标签为稻穗且被分割为稻穗的像素个数，FP为真实标签为背景但被分割为稻穗的像素个数，FN为真实标签为稻穗但被分割为背景的像素个数。

2 结果与分析

2.1 不同网络性能比较

基于2016测试图像集对基于SegNet[29]、DeepLab[32]和PSPNet[33]的网络对大田图像的分割性能进行测试与对比，结果见表1。3个网络均使用本文训练集训练，学习率均为0.001，动量均为0.9，当误差基本不变时停止训练。基于SegNet的网络综合分割性能略低于基于DeepLab和PSPNet的网络，表现为Qseg值和F值略低。这说明对于稻穗分割这种二分类问题，结构相对简单的SegNet网络架构即可以达到较好的分割效果。

在计算效率上，在Microsoft Windows 10专业版操作系统，12核 Intel(R)core™i7-6850k cpu@3.60GHz的处理器，32GB内存及NVIDIATITAN Xp显卡的配置下，处理一张360×480像素大小的图像，基于SegNet、DeepLab和PSPNet的网络耗时分别约为75、293和155 ms，基于SegNet的网络处理速度优于另2个网络。

综合考虑分割性能和处理速度，本研究最终基于SegNet的网络作为稻穗分割网络PanicleNet。

表1 不同网络性能比较Table 1 Performance comparison of different networks

2.2 与现有作物果穗分割算法性能比较

本文算法和现有算法对测试图像的分割性能比较结果如表2和图5所示。

表2 基于PanicleNet的分割算法和现有算法对测试图像的分割性能比较Table 2 Performance comparison of PanicleNet and other approaches on testing images

依据表2，本文基于PanicleNet的分割算法性能最优，对2016测试图像集的平均分割性能为：Qseg值0.76，F值0.86，对2017测试图像集的平均分割性能为：Qseg值0.67，F值0.80。对2017测试图像集的分割性能略低于2016测试图像集，主要原因在于2017测试图像集中的水稻相比于2016年的图像更接近完熟期，稻穗颜色更黄，而用于训练PanicleNet的图像中无接近完熟期的图像。另外，两个数据集的水稻生长环境不同，2016年的水稻为正常生长条件，而2017年则为高温胁迫条件。Panicle-SEG算法的分割性能次之。对2016测试图像集的平均分割性能为：Qseg值0.59，F值0.74，对2017测试图像集的平均分割性能为：Qseg值0.55，F值0.71。PanicleNet的精度略低于Panicle-SEG，相应地，其召回率则远高于PanicleNet，表明PanicleNet是通过分割出更多的稻穗像素，提高稻穗区域的完整性来优化分割结果，获取更高的F值。

图5 本文算法和其他分割算法对测试图像的分割性能比较Fig.5 Performance comparison of our method and other methods on testing images

图5显示了不同分割算法对6张测试图像的分割结 果。其中图5a-5d为2016年采集，图5e-5f为2017年采集。处于抽穗期稻穗直立生长，在顶视图中稻穗面积很小；处于灌浆期稻穗弯曲生长，稻穗面积较大；处于成熟期，稻穗带芒；图5d稻穗，稻穗颜色与5a-5c相差较大，部分叶片颜色也为黄色；5e和5f中稻穗成熟程度不一致，有些稻穗很黄，另一些为绿色，且部分叶片已完全枯黄，总体上比5a-5d中水稻更接近完熟期。同一幅图像中稻穗的颜色、姿态、大小、形状及亮度等的差异也较大。本研究算法对以上情况都具有较好的分割性能。HSeg算法将很多背景分割为前景稻穗，分割精度较低。i2滞后阈值法比HSeg效果稍好，但对于穗叶颜色混叠的情况分割结果较差，其分割精度也较低。JointSeg算法是为分割玉米穗而设计的，从测试结果看，大量稻穗区域未被分割出来，算法召回率非常低。Panicle-SEG算法的分割精度很高，但对于细小稻穗的分割结果较差，Panicle-SEG分割结果中遗漏了很多小的稻穗区域，对稻穗边缘的细小分支结构的提取也不完整。而PanicleNet对称编码-解码的网络结构大大提高了模型多尺度信息处理能力，对细小稻穗区域敏感性较好，其召回率远高于Panicle-SEG，而精度仅略低于Panicle-SEG，最终的分割性能优于Panicle-SEG（具有更高的F值和Qseg值）。

总体上，基于深度学习的算法包括PanicleNet和Panicle-SEG在复杂大田稻穗分割这一问题上的性能优于传统的分割算法。这主要是因为基于深度学习的分割算法直接以原始图像作为输入，区别于传统的人为设计特征提取，自动学习隐含在数据中更为本质的、表达能力更强的图像特征，达到准确分割或分类的目的。而HSeg、i2滞后阈值法及JointSeg等传统算法在分割中都需要人工设计提取颜色特征。Hseg提取图像的H分量进行分割[10]；i2滞后阈值法提取每个像素的i2颜色分量用于分割[15]；JointSeg产生候选区域后，提取每个区域的平均RGB颜色特征进行分割[16]。本研究中不同图像甚至同一图像中不同稻穗的颜色不一致，穗叶颜色严重混叠，不同品种及生育期间稻穗颜色、形状、大小等都存在很大差异，人工很难设计出足够有效的特征用于分割，因此分割性能较差。而同样基于深度学习的Panicle-SEG算法的设计较为复杂，分为3个步骤：SLIC超像素分割产生候选区域、CNN判别候选区域类型以及ER优化分割结果，分割结果易受到几个重要参数如SLIC超像素区域数目、ER超像素区域数目、ER平衡因子等的影响[7]。本文提出的PanicleNet为端对端的像素级语义分割，算法首先将图像分块，由PanicleNet对子图进行像素级分割，再拼接分割子图，无需调节参数，即可实现对任意大小图像的分割。相比于Panicle-SEG，本文提取的算法在设计上更为简单，分割性能更好。

综上，PanicleNet能很好的克服稻穗边缘严重不规则、不同品种、生育期及生长环境稻穗外观差异大、穂叶颜色混叠和复杂大田环境中光照、遮挡等因素的干扰，准确地分割稻穗。

2.3 计算效率比较试验

在2.1所述硬件环境下，PanicleNet处理一幅子图（360×480像素）耗时约75 ms，处理一幅1971×1815像素的图像耗时为原始图像裁剪的时间、24张子图分割的时间（约24×75 ms=1.8 s)以及24张子图分割结果拼接的时间之和，共计耗时约2 s。而在同一台计算机上，性能次优的Panicle-SEG算法参数设置如下：SLIC超像素区域数目20 000，ER超像素区域数目5 000，ER平衡因子0.5时，耗时CPU模式下约为80～90 s，GPU模式下约为70 s。综上所述，本研究算法计算速度约为Panicle-SEG算法的35倍，在效率上远远高于Panicle-SEG算法。

3 结论

本文提出了一种基于深度全卷积神经网络的大田稻穗分割算法。基于SegNet网络模型架构，更改最后一个卷积层的通道数，应用经过数据增广的水稻图像数据集，训练了用于大田稻穗分割的深度全卷积神经网络PanicleNet。对于一张待分割图像，先将图像划分为适合PanicleNet输入大小的子图，然后基于PaniceNet对子图进行语义分割，最后将子图分割结果拼接恢复为原始图像的分割结果。用包含不同品种、生育期和生长环境的测试图像进行算法性能对比试验，各算法的平均分割性能如下：

1）与训练样本同年度拍摄样本PanicleNetQseg值为0.76，F值为0.86，优于Panicle-SEG的0.59和0.74，亦优于Hseg、i2滞后阈值法和JointSeg。

2）不同年度拍摄样本PanicleNetQseg值为0.67，F值为0.80，分割效果相对Panicle-SEG（Qseg为0.55、F为 0.71）、Hseg（Qseg为 0.26、为 0.39）、i2 滞后阈值法（Qseg为0.42、F为0.58）和JointSeg（Qseg为0.05、F为 0.11）。

综上，本研究所述算法性能远优于4种现有作物果穗分割算法。在处理速度上，本研究算法处理一张1 971×1 815像素的图像耗时约2 s，约为性能次优算法Panicle-SEG的35倍。

本文提出的大田稻穗分割算法对不同品种、生育期及生长环境的适应性较好，能克服复杂大田环境对图像分割的干扰，实现对大田稻穗的准确分割，分割准确性高，处理速度快，为水稻表型测量提供新的工具，进一步服务于水稻育种及栽培。

[1]Sang T,GeS.Understanding ricedomestication and implications for cultivar improvement[J].Current Opinion in Plant Biology,2013,16(2):139－146.

[2]Peng S,Khush G,Virk P,et al.Progress in ideotype breeding to increase rice yield potential[J].Field Crops Research,2008,108(1):32－38.

[3]Ikeda M,Hirose Y,Takashi T,et al.Analysis of rice panicle traits and detection of QTLs using an image analyzing method[J].Breeding Science,2010,60(1):55－64.

[4]Zhou X G.First report of bacterial panicle blight of rice caused by Burkholderia glumae in South Africa[J].Plant Disease,2014,98(4):566－566.

[5]Zhang Y,Liu M,Dannenmann M,et al.Benefit of using biodegradable film on rice grain yield and N use efficiency in ground coverrice production system [J].Field Crops Research,2017,201:52－59.

[6]Bonil K,Kang S K,Sang W G,et al.Variation of panicle differentiation stage by leaf growth according to rice cultivars and transplanting time[J].Korean Journal of Crop Science,2013,58(4):353－361.

[7]Xiong X,Duan L,Liu L,et al.Panicle-SEG:A robust image segmentation method for rice panicles in the field based on deep learning and superpixel optimization[J].Plant Methods,2017,13(1):104.

[8]陈含，吕行军，田凤珍，等.基于Sobel算子边缘检测的麦穗图像分割[J].农机化研究，2013(3)：33－36.Chen Han,Lv Xingjun,Tian Fengzhen,et al.Wheat panicle image segmentation based on sobel operator-edge detection[J]. Journal of Agricultural Mechanization Research,2013(3):33－36.(in Chinese with English abstract)

[9]刘涛，孙成明，王力坚，等.基于图像处理技术的大田麦穗计数[J].农业机械学报，2014，45(2)：282－290.Liu Tao,Sun Chengming,Wang Lijian,et al.In-field wheatear counting based on image processing technology[J].Transactions of the Chinese Society for Agricultural Machinery,2014,45(2):282－290.(in Chinese with English abstract)

[10]Tang W,Zhang Y,Zhang D,et al.Corn tassel detection based on image processing[C]//International Workshop on Image Processing and Optical Engineering.International Society for Optics and Photonics,2012，8335:83350J-1－83350J-7.

[11]Cointault F,Guerin D,Guillemin J P,et al.In‐field Triticum aestivum ear counting using colour‐texture image analysis[J].New Zealand Journal of Crop and Horticultural Science,2008,36(2):117－130.

[12]Frédéric C,Frédéric J,Gilles R,et al.Texture,color and frequentialproxy-detection image processing for crop Characterization in a ContextofPrecision Agriculture[M]//Godwin Aflakpui.Agricultural Science,Alexandria LA:InTech,2012:49－70.

[13]赵锋，王克俭，苑迎春，基于颜色特征和AdaBoost算法的麦穗识别的研究 [J].作物杂志，2014(1)：141－144.Zhao Feng,Wang Kejian,Yuan Yingchun.Study on wheat spike identification based on color features and adaboost algorithm[J].Crops,2014(1):141－144.(in Chinese with English abstract)

[14]Zhu Y,Cao Z,Lu H,et al.In-field automatic observation of wheat heading stage using computer vision[J].Biosystems Engineering,2016,143:28－41.

[15]Duan L,Huang C,Chen G,et al.Determination of rice panicle numbers during heading by multi-angle imaging[J].The Crop Journal,2015,3(3):211－219.

[16]Lu H,Cao Z,Xiao Y,et al.Fine-grained maize tassel trait characterization with multi-view representations [J].Computers&Electronics in Agriculture,2015,118:143－158.

[17]Guo W,Fukatsu T,Ninomiya S.Automated characterization of flowering dynamics in rice using field-acquired time-series RGB images[J].Plant Methods,2015,11(1):1－15.

[18]范梦扬，马钦，刘峻明，等.基于机器视觉的大田环境小麦麦穗计数方法[J].农业机械学报，2015，46(增刊1)：234－239.Fan Mengyang,Ma Qin,Liu Junming,et al.Counting method of wheatear in field based on machine vision technology[J].Transactions of the Chinese Society for Agricultural Machinery,2015,46(Supp.1):234－239.(in Chinese with English abstract)

[19]Lecun Y,Bengio Y,Hinton G.Deep learning[J].Nature,2015,521(7553):436－444.

[20]蒋树强，闵巍庆，王树徽.面向智能交互的图像识别技术综述与展望[J].计算机研究与发展，2016，53(1)：113－122.Jiang Shuqiang,Min Weiqing,Wang Shuhui.Survey and prospect of intelligent interaction-oriented image recognition techniques[J].Journal of Computer Research&Development,2016,53(1):113－122.(in Chinese with English abstract)

[21]杨国国，鲍一丹，刘子毅.基于图像显著性分析与卷积神经网络的茶园害虫定位与识别[J].农业工程学报，2017，33(6)：156－162.Yang Guoguo,Bao Yidan,Liu Ziyi.Localization and recognition of pests in tea plantation based on image saliency analysis and convolutional neural network[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(6):156－162.(in Chinese with English abstract)

[22]孙俊，谭文军，毛罕平，等.基于改进卷积神经网络的多种植物叶片病害识别[J].农业工程学报，2017，33(19)：209－215.Sun Jun,Tan Wenjun,Mao Hanping,et al.Recognition of multiple plant leaf diseases based on improved convolutional neural network[J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(19):209－215.(in Chinese with English abstract)

[23]黄双萍，孙超，齐龙，等.基于深度卷积神经网络的水稻穗瘟病检测方法[J].农业工程学报，2017，33(20)：169－176.Huang Shuangping,Sun Chao,Qi Long,et al.Rice panicle blast identification method based on deep convolution neural network [J].Transactions ofthe Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(20):169－176.(in Chinese with English abstract)

[24]周云成，许童羽，郑伟，等.基于深度卷积神经网络的番茄主要器官分类识别方法[J].农业工程学报，2017，33(15)：219－226 Zhou Yuncheng,Xu Tongyu,Zheng Wei,et al.Classification and recognition approaches of tomato main organs based on DCNN [J].Transactions of the Chinese Society of Agricultural Engineering(Transactions of the CSAE),2017,33(15):219－226.(in Chinese with English abstract).

[25]鲁恒，付萧，贺一楠，等.基于迁移学习的无人机影像耕地信息提取方法[J].农业机械学报，2015，46(12)：274－279.Lu Heng,Fu Xiao,He Yinan,et al.Cultivated land information extraction from high resolution UAV images based on transfer learning[J].Transactions of the Chinese Society for Agricultural Machinery,2015,46(12):274－279.(in Chinese with English abstract)

[26]李政，李永树，吴玺，等.基于卷积神经网络的空心村高分影像建筑物检测方法[J].农业机械学报，2017，48(9)：160－165.Li Zheng,Li Yongshu,Wu Xi,et al.Hollow village building detection method using high resolution remote sensing image based on CNN[J].Transactions of the Chinese Society for Agricultural Machinery,2017,48(9):160－165.(in Chinese with English abstract)

[27]高震宇，王安，刘勇，等.基于卷积神经网络的鲜茶叶智能分选系统研究[J].农业机械学报，2017，48(7)：53－58.Gao Zhenyu,Wang An,Liu Yong,etal.Intelligent fresh-tea-leaves sorting system research based on convolution neural network[J].Transactions of the Chinese Society for Agricultural Machinery,2017,48(7):53－58.(in Chinese with English abstract)

[28]Pound M P,Atkinson J A,Townsend A J,et al.Deep machine learning provides state-of-the-art performance in image-based plantphenotyping [J].Gigascience,2017,6(10):1－10.

[29]Badrinarayanan V,Kendall A,Cipolla R.SegNet:A deep convolutional encoder-decoder architecture for scene segmentation[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2017,39(12):2481－2495.

[30]Simonyan K,Zisserman A.Very deep convolutional networks for large-scale image recognition[J/OL].Computer Science,2014,1409:1556.

[31]Long J,ShelhamerE,DarrellT.Fully convolutional networks for semantic segmentation[C]//IEEE Conference on Computer Vision and Pattern Recognition.IEEE Computer Society,2015:3431－3440.

[32]Chen L C,Papandreou G,Kokkinos I,et al.DeepLab:semantic image segmentation with deep convolutional nets,atrous convolution,and fully connected CRFs[J].IEEE Transactions on Pattern Analysis&Machine Intelligence,2018,40(4):834－848.

[33]Zhao H,Shi J,Qi X,etal.Pyramid scene parsing network[C]//IEEE Conference on Computer Vision and Pattern Recognition.IEEE Computer Society,2017:6230－6239.