研究目的與方法：
在植物圖像實例分割任務中，由于植物種類與形態的多樣性，采用全監督學習時人們很難獲得足量、有效且低成本的訓練樣本。為解決這一問題，該研究提出一種基于自生成標簽的玉米苗期圖像實例分割網絡（automatic labelling based instance segmentation network，AutoLNet），在弱監督實例分割模型的基礎上加入標簽自生成模塊，利用顏色空間轉換、輪廓跟蹤和最小外接矩形在玉米苗期圖像（俯視圖）中生成目標邊界框（弱標簽），利用弱標簽代替人工標簽參與網絡訓練，在無人工標簽條件下實現玉米苗期圖像實例分割。
結果與結論：
試驗結果表明，自生成標簽與人工標簽的距離交并比和余弦相似度分別達到95.23%和94.10%，標簽質量可以滿足弱監督訓練要求；AutoLNet輸出預測框和掩膜的平均精度分別達到68.69%和35.07%，與人工標簽質量相比，預測框與掩膜的平均精度分別提高了10.83和3.42個百分點，與弱監督模型（DiscoBox和Box2Mask）相比，預測框平均精度分別提高了11.28和8.79個百分點，掩膜平均精度分別提高了12.75和10.72個百分點；與全監督模型（CondInst和Mask R-CNN）相比，AutoLNet的預測框平均精度和掩膜平均精度可以達到CondInst模型的94.32%和83.14%，比Mask R-CNN模型的預測框和掩膜平均精度分別高7.54和3.28個百分點。AutoLNet可以利用標簽自生成模塊自動獲得圖像中玉米植株標簽，在無人工標簽的前提下實現玉米苗期圖像的實例分割，可為大田環境下的玉米苗期圖像實例分割任務提供解決方案和技術支持。
試驗結果表明，自生成標簽與人工標簽的距離交并比和余弦相似度分別達到95.23%和94.10%，標簽質量可以滿足弱監督訓練要求；AutoLNet輸出預測框和掩膜的平均精度分別達到68.69%和35.07%，與人工標簽質量相比，預測框與掩膜的平均精度分別提高了10.83和3.42個百分點，與弱監督模型（DiscoBox和Box2Mask）相比，預測框平均精度分別提高了11.28和8.79個百分點，掩膜平均精度分別提高了12.75和10.72個百分點；與全監督模型（CondInst和Mask R-CNN）相比，AutoLNet的預測框平均精度和掩膜平均精度可以達到CondInst模型的94.32%和83.14%，比Mask R-CNN模型的預測框和掩膜平均精度分別高7.54和3.28個百分點。AutoLNet可以利用標簽自生成模塊自動獲得圖像中玉米植株標簽，在無人工標簽的前提下實現玉米苗期圖像的實例分割，可為大田環境下的玉米苗期圖像實例分割任務提供解決方案和技術支持。
引文信息：
趙露露，鄧寒冰，周云成，等. 基于自生成標簽的玉米苗期圖像實例分割[J]. 農業工程學報，2023，39（11）：201-211
doi: 10.11975/j.issn.1002-6819.202301085
趙露露，鄧寒冰，周云成，等. 基于自生成標簽的玉米苗期圖像實例分割[J]. 農業工程學報，2023，39（11）：201-211
doi: 10.11975/j.issn.1002-6819.202301085