基于改進(jìn)Unet的小麥莖稈截面參數(shù)檢測(cè)

陳 燕 朱成宇 胡小春 王令強(qiáng)

(1.廣西大學(xué)計(jì)算機(jī)與電子信息學(xué)院， 南寧 530004； 2.廣西多媒體通信與網(wǎng)絡(luò)技術(shù)重點(diǎn)實(shí)驗(yàn)室， 南寧 530004;3.廣西財(cái)經(jīng)學(xué)院信息與統(tǒng)計(jì)學(xué)院， 南寧 530007; 4.廣西大學(xué)農(nóng)學(xué)院， 南寧 530004)

0 引言

倒伏不僅嚴(yán)重影響小麥植株的正常發(fā)育，而且不利于正常的機(jī)械化收獲[1]。研究小麥的抗倒性有利于實(shí)現(xiàn)小麥高產(chǎn)、穩(wěn)產(chǎn)和優(yōu)產(chǎn)。作物莖稈的力學(xué)特性與其微觀結(jié)構(gòu)如皮層/半徑、機(jī)械組織比例、維管束數(shù)目等密切相關(guān)[2-3]。姚金保等[4]發(fā)現(xiàn)小麥莖稈機(jī)械組織細(xì)胞層數(shù)、厚度，維管束數(shù)目、面積以及髓腔大小與抗倒性密切相關(guān)。SHAH等[5]研究發(fā)現(xiàn)，與小麥和水稻抗倒伏性最相關(guān)的性狀是株高、莖稈直徑和厚度、上下節(jié)間強(qiáng)度、莖粗壁以及木質(zhì)素和纖維素在莖壁中的積累和穗重。馮素偉等[6]從小麥的外部形態(tài)、內(nèi)部顯微結(jié)構(gòu)及生理性狀等方面綜合分析了小麥莖稈的抗倒伏性，結(jié)果發(fā)現(xiàn)，小麥抗倒伏性與莖稈截面面積、大維管束數(shù)量成正相關(guān)關(guān)系。KONG等[7]研究發(fā)現(xiàn)，小麥莖強(qiáng)度與莖直徑、莖壁顯著相關(guān)，更厚的莖壁和節(jié)間干重增加也能幫助提高莖強(qiáng)度。劉唐興等[8]研究分析表明，莖稈的主莖細(xì)胞、木質(zhì)部和維管束對(duì)莖稈抗倒性有重要影響。陳桂華等[9]研究得出，水稻單莖抗推力與莖粗、維管束數(shù)目呈顯著正相關(guān)。人工測(cè)量和分析相關(guān)莖稈形狀，不僅過(guò)程繁瑣，而且極易受到主觀狀態(tài)的影響。如何精確測(cè)量作物的微觀結(jié)構(gòu)信息、客觀準(zhǔn)確地獲取表型數(shù)據(jù)、從宏觀到微觀對(duì)植物進(jìn)行系統(tǒng)展示、為農(nóng)作物優(yōu)質(zhì)豐產(chǎn)研究提供可靠依據(jù)已成為研究抗倒伏機(jī)理急待解決的問(wèn)題。

目前，利用圖像處理技術(shù)對(duì)作物微觀結(jié)構(gòu)進(jìn)行種類識(shí)別、作物分類、產(chǎn)量預(yù)測(cè)和品質(zhì)分析等研究已成為當(dāng)前作物表型組學(xué)的研究熱點(diǎn)[10-12]。徐勝勇等[2,13]分別基于模板匹配和扇環(huán)形區(qū)域分割完成對(duì)小麥莖稈截面參數(shù)的測(cè)量，包括小麥截面面積、截面直徑、維管束數(shù)量和面積。郝雅潔等[14]通過(guò)對(duì)小麥植株進(jìn)行側(cè)拍和俯拍，再對(duì)獲得的圖像進(jìn)行預(yù)處理，構(gòu)建了小麥葉片面積的測(cè)量模型。左衛(wèi)剛等[15]將小麥顆粒的尺寸、顏色、紋理作為特征，構(gòu)建基于人工神經(jīng)網(wǎng)絡(luò)(ANN)的多層感知機(jī)(MLP)模型，實(shí)現(xiàn)了對(duì)小麥籽粒的分類。許鑫等[16]提出基于Harris角點(diǎn)檢測(cè)和K-means聚類的分割算法對(duì)小麥苗進(jìn)行識(shí)別。目前，對(duì)作物的圖像分割研究主要基于圖像RGB顏色通道及HSV通道的圖像處理技術(shù)，再通過(guò)處理后的圖像分析得到作物品種分類或作物參數(shù)與特征之間的回歸關(guān)系。卷積神經(jīng)網(wǎng)絡(luò)(CNN)[17-19]在圖像分割上效果顯著[20]。U-Net[21]結(jié)構(gòu)在醫(yī)學(xué)細(xì)胞圖像分割中取得了很好的效果。CE-Net[22]提出上下文編碼模塊，該模塊由一個(gè)多尺度的密集空洞卷積模塊和一個(gè)殘差多路徑池化模塊構(gòu)成，可多角度捕獲具有高水平語(yǔ)義信息的特征。張慧春等[23]認(rèn)為，高通量、自動(dòng)化、高分辨率的植物表型信息采集平臺(tái)與分析技術(shù)對(duì)于加快植物改良和育種、提高產(chǎn)量和抗病蟲(chóng)害能力至關(guān)重要。程曼等[24]對(duì)表型研究中的傳感器、平臺(tái)和信息分析現(xiàn)狀進(jìn)行了整體分析和總結(jié)，提出應(yīng)綜合考慮實(shí)際需求及經(jīng)濟(jì)合理性進(jìn)行選擇和設(shè)計(jì)。楊知等[25]利用LinkNet卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)高分辨率遙感影像進(jìn)行了水體信息提取。

文獻(xiàn)[2]為研究小麥莖稈截面提供了很好的方法，但該方法只有在厚壁和維管束亮度顯著低于相鄰組織時(shí)才能獲得較高的檢測(cè)精確度，當(dāng)厚壁和維管束的亮度接近或高于相鄰組織時(shí)，檢測(cè)精確度下降。另外，當(dāng)染色過(guò)程導(dǎo)致的圖像之間或圖像內(nèi)部色差較大時(shí)，該方法對(duì)截面和髓腔尺寸的測(cè)量誤差會(huì)增加，甚至無(wú)法對(duì)維管束的數(shù)量和面積進(jìn)行識(shí)別和測(cè)量。

為解決上述問(wèn)題，本文融合ResNet50和Unet深度學(xué)習(xí)網(wǎng)絡(luò)構(gòu)建維管束和背景區(qū)域的語(yǔ)義分割模型Res-Unet，搭建對(duì)截面、髓腔、厚壁和背景的語(yǔ)義分割模型Mobile-Unet，在此基礎(chǔ)上，對(duì)小麥莖稈截面尺寸、髓腔尺寸和維管束面積等莖稈微觀結(jié)構(gòu)的相關(guān)參數(shù)進(jìn)行檢測(cè)。

1 數(shù)據(jù)集來(lái)源和標(biāo)注

測(cè)試數(shù)據(jù)集來(lái)源于文獻(xiàn)[2]，共110幅圖像，圖像分辨率為1 024像素×1 280像素。隨機(jī)選取其中的85幅作為訓(xùn)練集、10幅為驗(yàn)證集、15幅為測(cè)試集。首先對(duì)訓(xùn)練集的樣本圖進(jìn)行分析。圖1所示為其中3幅樣本圖像。從圖中可看出樣本之間的形狀、顏色和邊緣等均存在較大差異。圖1a中的圖像兩側(cè)著色不統(tǒng)一，左側(cè)維管束鄰近區(qū)域顏色較淺，右側(cè)維管束鄰近區(qū)域顏色較深，而且左下方的厚壁部分有殘缺。圖1d維管束整體與鄰近區(qū)域顏色差明顯，厚壁無(wú)明顯殘缺，是便于處理和提取特征的樣本類型。圖1g右下部分的維管束較模糊，左上側(cè)的厚壁存在缺失。此外，樣本之間的通道數(shù)也存在差異。因此使用傳統(tǒng)的圖像處理方法對(duì)小麥莖稈截面顯微圖像相關(guān)參數(shù)的識(shí)別存在一定的局限性[2,14]。

使用Labelme工具分別對(duì)維管束和截面進(jìn)行標(biāo)注。對(duì)物體逐點(diǎn)標(biāo)注形成分割圖像(標(biāo)簽)并生成json文件；對(duì)json文件轉(zhuǎn)換后得到維管束標(biāo)注圖和區(qū)域標(biāo)注圖。在維管束的標(biāo)注圖中，單幅截面圖的維管束分布較均勻，但每個(gè)截面的形狀存在較大差異；而且與厚壁距離較近的維管束尺寸偏小，容易與厚壁部分混淆。在厚壁、髓腔和截面的標(biāo)注圖中，厚壁部分與相鄰組織區(qū)分度較低，有時(shí)還存在厚壁缺失的情況。因此，對(duì)維管束、厚壁等的像素級(jí)精確分割難度較大；而且難以用區(qū)域劃分對(duì)所有樣本圖像進(jìn)行有效識(shí)別。

2 網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

參數(shù)檢測(cè)的網(wǎng)絡(luò)模型由兩部分組成。由于維管束和背景區(qū)分難度較大，因此一部分是由提取特征能力較強(qiáng)的ResNet50作為骨干網(wǎng)絡(luò)并與Unet融合而成的Res-Unet網(wǎng)絡(luò)模型，用于對(duì)小麥莖稈截面顯微圖像的維管束進(jìn)行像素級(jí)識(shí)別，可保證丟失較少的精度；另一部分是由輕量級(jí)網(wǎng)絡(luò)模型MobileNet和Unet融合而成的Mobile-Unet網(wǎng)絡(luò)模型，用于檢測(cè)、分割小麥截面中的厚壁、髓腔等區(qū)域，可提高模型分割的速度。

2.1 Res-Unet網(wǎng)絡(luò)模型

Res-Unet的基礎(chǔ)卷積塊主要借鑒殘差模塊思想，ResNet50的基本殘差單元由恒等塊和卷積塊構(gòu)成，可極大緩解深層網(wǎng)絡(luò)梯度消失的問(wèn)題[23]。Res-Unet網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示，分為編碼器(虛線左側(cè))和解碼器(虛線右側(cè))兩部分。編碼器對(duì)輸入圖像進(jìn)行下采樣，捕捉輸入圖像的上下文信息，提取圖像的分層語(yǔ)義信息特征，如輪廓、邊緣、紋理、尺寸和顏色等；解碼器使用反卷積進(jìn)行上采樣保證對(duì)特征的精確定位；此外，編碼器同時(shí)直接將特征信息傳遞到同高度的解碼器部分，提供更精細(xì)的特征，如梯度信息等。

Res-Unet網(wǎng)絡(luò)模型通過(guò)將編碼器和解碼器對(duì)應(yīng)的特征圖進(jìn)行拼接，能夠用淺層網(wǎng)絡(luò)保存較好的細(xì)節(jié)位置信息輔助分割。輸入圖像為小麥截面顯微結(jié)構(gòu)的彩色圖像，輸出為將維管束和背景分割后的圖像。其中維管束區(qū)域?yàn)榧t色，背景區(qū)域?yàn)楹谏?，最終實(shí)現(xiàn)對(duì)維管束的精確分割。

如圖2所示，網(wǎng)絡(luò)各部分的工作過(guò)程如下：

(1)編碼部分。輸入圖像首先經(jīng)過(guò)一個(gè)卷積核為7×7、步長(zhǎng)為2的卷積層和一個(gè)最大值池化層，將圖像尺寸縮小至原始圖像的1/4，通道數(shù)增至64，用于提取維管束的紋理和邊緣等淺層特征；然后第1個(gè)卷積塊和2個(gè)恒等塊不改變圖像尺寸，僅增加通道數(shù)，使7×7卷積層和池化層提取的淺層特征更準(zhǔn)確；后續(xù)的每一個(gè)卷積塊均將圖像尺寸縮減至卷積前的一半，卷積塊和恒等塊進(jìn)一步幫助提取維管束的特征，直至圖像尺寸縮減至輸入圖像的1/16，通道數(shù)達(dá)到1 024。

(2)解碼部分。每次上采樣操作后經(jīng)過(guò)一個(gè)3×3的卷積層，不斷提取維管束的深層特征，再與同高度的解碼器輸出進(jìn)行通道合并操作，對(duì)整體特征進(jìn)行整合，幫助對(duì)維管束精確識(shí)別；保證輸入前后通道數(shù)不變，不引入額外計(jì)算參數(shù)，最終輸出維管束和背景分割后圖像。

2.2 Mobile-Unet網(wǎng)絡(luò)模型

Mobile-Unet使用深度可分離卷積(Depth-wise separable convolution，DSC)將標(biāo)準(zhǔn)卷積分解為空間卷積(Depthwise convolution，DC)和通道卷積(Pointwise convolution，PC)，模型如圖3所示。DC是逐通道的卷積，一個(gè)卷積核負(fù)責(zé)一個(gè)通道；PC是采用1×1卷積核的普通卷積。DSC先用DC對(duì)不同輸入通道分別進(jìn)行卷積，然后再用PC將上面的輸出進(jìn)行整合，這樣可保持模型性能的前提下降低模型大小，同時(shí)提升模型速度。DC和PC關(guān)系為

(1)

式中K——DC的卷積核尺寸

N——輸入特征圖數(shù)量

O——輸出特征圖數(shù)量

Mobile-Unet實(shí)現(xiàn)流程為：首先輸入圖像經(jīng)過(guò)一個(gè)3×3卷積層并做批標(biāo)準(zhǔn)化，然后經(jīng)過(guò)ReLU激活函數(shù)增加非線性能力；第1個(gè)DC步長(zhǎng)設(shè)置為1，將通道數(shù)增加至64；第2個(gè)DC是下采樣操作，步長(zhǎng)設(shè)置為2，該操作完成后圖像長(zhǎng)寬均減少一半、通道數(shù)增至128，可提取較深層的特征；每次下采樣后的首個(gè)DC與第1個(gè)DC類似；后續(xù)DC與第2個(gè)DC類似，不斷進(jìn)行下采樣操作，直到圖像尺寸變?yōu)?×7、通道數(shù)為512，完成圖像的下采樣操作。解碼部分與Res-Unet類似，也是上采樣操作后與解碼部分做通道合并操作，輸出分割截面、厚壁、髓腔和背景的分割圖像。

3 實(shí)驗(yàn)與分析

實(shí)驗(yàn)硬件環(huán)境為i5 6300HQ 2.3 GHz、16 GB內(nèi)存、NVIDIA GeForce GT965M顯卡，操作系統(tǒng)為Windows 10專業(yè)版，編程語(yǔ)言為 Python 3.6，深度學(xué)習(xí)框架為T(mén)ensorlow 1.15.0和Keras 2.2.5。

3.1 模型訓(xùn)練

模型訓(xùn)練的圖像預(yù)處理主要是對(duì)原始圖像進(jìn)行圖像增強(qiáng)；對(duì)圖像數(shù)據(jù)分別采用去均值化和歸一化的預(yù)處理。在訓(xùn)練時(shí)設(shè)置模型初始權(quán)重和損失函數(shù)，并選定模型使用的優(yōu)化器。

3.1.1圖像增強(qiáng)

由于分割數(shù)據(jù)集數(shù)量較少，而且維管束分割中正負(fù)樣本極不均衡，因此需對(duì)原始數(shù)據(jù)集進(jìn)行圖像增強(qiáng)處理，以擴(kuò)充訓(xùn)練數(shù)據(jù)集的圖像數(shù)量。圖像增強(qiáng)操作包括隨機(jī)翻轉(zhuǎn)、高斯模糊、仿射變換、圖像截取和填充等[27]。由設(shè)計(jì)的網(wǎng)絡(luò)模型對(duì)每幅圖以一定概率隨機(jī)選擇其中一種或幾種操作實(shí)現(xiàn)圖像增強(qiáng)[27]。圖4為圖像增強(qiáng)效果圖，圖4a為原圖隨機(jī)實(shí)施圖像增強(qiáng)操作后的樣例圖。圖4b為進(jìn)行水平翻轉(zhuǎn)、多頻噪聲掩膜、高斯模糊和仿射變換4種操作后的效果圖；圖4c為進(jìn)行中值模糊和對(duì)比度變化操作后的效果圖；圖4d為進(jìn)行水平翻轉(zhuǎn)和浮雕效果操作后的效果圖；圖4e為進(jìn)行水平翻轉(zhuǎn)、垂直翻轉(zhuǎn)、均值模糊和灰度化操作后的效果圖；圖4f為進(jìn)行仿射變換、像素點(diǎn)隨機(jī)去除和隨機(jī)截取與填充操作后的效果圖。

3.1.2圖像數(shù)據(jù)預(yù)處理

圖像數(shù)據(jù)預(yù)處理主要用于減少圖像變形對(duì)模型的影響和減少模型擬合的時(shí)間。

采用去均值化方法對(duì)維管束參數(shù)測(cè)量的圖像數(shù)據(jù)預(yù)處理。去均值化主要有兩個(gè)作用：一是移除圖像平均亮度、降低圖像亮度，在不影響判斷物體位置的前提下突顯各樣本的特征；二是降低輸入值，以避免在反向傳播時(shí)出現(xiàn)梯度爆炸的問(wèn)題。去均值化的具體操作是：指定在ImageNet訓(xùn)練數(shù)據(jù)集的平均像素值來(lái)實(shí)現(xiàn)與圖像數(shù)據(jù)生成器相同的效果，R、G、B通道分別減去103.939、116.779、123.68，移除圖像中的相同部分，凸顯圖像特征，完成數(shù)據(jù)特征標(biāo)準(zhǔn)化。部分樣例圖去均值化前后的效果如圖5所示。從圖5可見(jiàn)，降低圖像亮度后維管束的特征更明顯、更清晰可見(jiàn)。

采用歸一化方法對(duì)測(cè)量截面、厚壁和髓腔參數(shù)進(jìn)行圖像預(yù)處理，使各個(gè)特征的尺度控制在相同的范圍內(nèi)，便于找到最優(yōu)解、提升精度。歸一化計(jì)算公式為

(2)

式中xmin——特征最小值

xmax——特征最大值

x——處理前像素值

x*——處理后像素值

3.1.3參數(shù)配置

由于本文使用小樣本數(shù)據(jù)集，因此通過(guò)遷移學(xué)習(xí)的共享參數(shù)方式，將在大規(guī)模數(shù)據(jù)集(ImageNet)上訓(xùn)練好的ResNet50網(wǎng)絡(luò)權(quán)重應(yīng)用到小麥莖稈截面切片圖像的訓(xùn)練模型上，不僅可縮短訓(xùn)練模型的時(shí)間，還可獲得更好的測(cè)試結(jié)果、預(yù)防過(guò)擬合。

選擇交叉熵?fù)p失函數(shù)作為兩個(gè)分割模型的損失函數(shù)進(jìn)行訓(xùn)練，損失函數(shù)Loss計(jì)算公式為

(3)

式中n——樣本數(shù)量

yi——第i個(gè)樣本真實(shí)值

損失函數(shù)用于衡量模型預(yù)測(cè)效果，表現(xiàn)為預(yù)測(cè)數(shù)據(jù)與實(shí)際數(shù)據(jù)的差距程度。

3.1.4優(yōu)化器

使用的模型優(yōu)化器Adadelta不需要人工設(shè)置學(xué)習(xí)率，每維均有單獨(dú)的動(dòng)態(tài)學(xué)習(xí)率，而且對(duì)超參數(shù)不敏感，還能減小梯度下降算法的計(jì)算量。此外，Adadelta對(duì)于大梯度、噪聲和不同結(jié)構(gòu)具有魯棒性。迭代公式為

(4)

式中 Δx——更新量

g——梯度

RMS——均方根

gt——第t次迭代的梯度

3.2 評(píng)估指標(biāo)

參照文獻(xiàn)[2]使用均方根誤差(RMSE)和平均相對(duì)誤差(MRE)分析參數(shù)測(cè)量指標(biāo)的精度。但實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)存在MRE和RMSE的評(píng)估效果良好、檢測(cè)誤差較大的情況。因此本文增加了精確率(Precision)、召回率(Recall)、F1值(F1-score)、平均交并比(Mean intersection over union，mIoU)作為評(píng)價(jià)指標(biāo)。目的是在像素級(jí)考慮測(cè)量結(jié)果的準(zhǔn)確性和有效性，作為評(píng)價(jià)維管束、髓腔、厚壁和截面分割效果的依據(jù)。

3.3 維管束特征提取

維管束特征的提取是通過(guò)Res-Unet模型實(shí)現(xiàn)，可極大減少圖像之間的色差對(duì)測(cè)試結(jié)果的影響，有助于完整地提取維管束的淺層特征和深層特征，從而將維管束與相鄰組織進(jìn)行精確分割。但由于手工切片的染色操作原因，有些圖像中存在微小的噪點(diǎn)，造成對(duì)該類圖像的維管束誤判。因此依據(jù)所有識(shí)別為維管束的面積作為判斷依據(jù)，獲取面積平均值，并將面積小于平均值30%的點(diǎn)判定為噪點(diǎn)并刪除。

存在噪點(diǎn)的樣例如圖6所示。從圖6中可見(jiàn)，用綠色標(biāo)出的4個(gè)點(diǎn)是極微小的噪點(diǎn)，如果不去除，會(huì)造成錯(cuò)誤地把噪點(diǎn)識(shí)別為維管束，從而影響相關(guān)參數(shù)的計(jì)算。通過(guò)去噪的操作后，可消除此類噪點(diǎn)的影響，從而保證Res-Unet模型對(duì)圖像中每個(gè)像素進(jìn)行準(zhǔn)確分類，為后續(xù)維管束相關(guān)參數(shù)計(jì)算提供可靠的依據(jù)。

維管束特征提取的部分測(cè)試結(jié)果圖如圖7所示。從圖中可看出，即使圖7a和圖7c在顏色和亮度上存在較大差異，而且圖7a中維管束和周圍組織區(qū)分不明顯，但從圖7b和圖7d的分割結(jié)果看，Res-Unet模型對(duì)維管束的位置、尺寸和數(shù)量的檢測(cè)性能表現(xiàn)良好，預(yù)測(cè)結(jié)果較準(zhǔn)確。

3.4 實(shí)驗(yàn)結(jié)果分析

首先通過(guò)截面直徑、面積等7個(gè)參數(shù)的均方根誤差(RMSE)和平均相對(duì)誤差(MRE)分析各指標(biāo)的精度；再通過(guò)厚壁、髓腔等4個(gè)參數(shù)的精確率、召回率、F1值和平均交并比來(lái)評(píng)價(jià)模型。實(shí)驗(yàn)結(jié)果表明，15幅測(cè)試圖像的截面直徑、截面面積、髓腔面積、維管束數(shù)量和面積的檢測(cè)時(shí)間為324 s，即平均每幅圖像測(cè)試時(shí)間為21.6 s。

3.4.1RMSE和MRE結(jié)果分析

(5)

(6)

表1 兩種方法的測(cè)試結(jié)果

3.4.2精確率、召回率、F1值和平均交并比結(jié)果分析

Mobile-Unet網(wǎng)絡(luò)的實(shí)驗(yàn)結(jié)果如表2所示。其中，髓腔尺寸和截面尺寸的精確率、召回率和F1值的效果最好，均不小于98.50%，平均交并比稍低，為91.90%。說(shuō)明Mobile-Unet網(wǎng)絡(luò)對(duì)染色后的截面細(xì)胞與背景色差十分敏感，大大降低了厚壁陰影誤差和背景噪聲的影響，從而保證了髓腔和截面在精確率、召回率、F1值和平均交并比獲得較高的數(shù)值。

表2 網(wǎng)絡(luò)在小麥數(shù)據(jù)集的精度結(jié)果

由于手工操作導(dǎo)致切片染色不均勻，截面的薄壁組織特征與維管束特征十分相似，容易導(dǎo)致維管束附近的像素點(diǎn)可能被檢測(cè)為正例(維管束)，而維管束被檢測(cè)為負(fù)例(背景)，從而影響維管束的識(shí)別精度。Res-Unet網(wǎng)絡(luò)針對(duì)維管束識(shí)別精確率、召回率和F1值都不小于87.29%，平均交并比為89.48%，說(shuō)明Res-Unet網(wǎng)絡(luò)具有良好的性能。

從表2可得，本文網(wǎng)絡(luò)性能良好，可準(zhǔn)確獲取小麥莖稈機(jī)械組織相關(guān)參數(shù)。

4 結(jié)論

(1)本文方法可用于高通量輸出小麥莖稈截面顯微結(jié)構(gòu)中的維管束面積、數(shù)量、截面尺寸和髓腔尺寸等主要參數(shù)的獲取。

(2)與文獻(xiàn)[2]相比，本文方法所獲得參數(shù)的均方根誤差和平均相對(duì)誤差均有較明顯的降低。RMSE減小百分比最大為85.78%、最小為7.69%，MRE減小百分比最大為95.00%、最小為5.00%，識(shí)別率也得到了提高，提高幅度最高為3.42個(gè)百分點(diǎn)、最低為0.08個(gè)百分點(diǎn)。

(3)厚壁、髓腔、截面和維管束的精確率、召回率、F1值和平均交并比均不小于86.78%，其中厚壁精確率最小，為86.78%，最高的是截面精確率，為99.56%。

(4)本文方法可對(duì)小麥莖稈的微觀結(jié)構(gòu)參數(shù)進(jìn)行實(shí)時(shí)測(cè)量，每幅圖像平均測(cè)試時(shí)間僅為21.6 s。