基于语义分割与实例分割的玉米茎秆截面参数测量方法

茎秆微观结构与其力学性能密切相关，影响作物的抗倒伏性能。但作物茎秆微观表型参数难以通过人工方式获取，因此急需自动化的测量方法。本研究以玉米为材料，通过光学显微镜获得玉米茎秆横截面切片图像，基于深度学习架构融合ResNet和Unet构建语义分割Res-Unet网络模型，对截面表皮、周皮和髓区3个功能区域进行分割；针对维管束数量多、面积小、密度大的特点，以EfficientDet作为基础网络架构，根据维管束尺寸小的特性，减少双向特征图金字塔(BiFPN)的层数，达到提高推理速度、减少显存占用量的目的，同时添加掩膜分割分支，构造新的网络Eiff-BiFPN实现对维管束的分割。实验结果表明，功能区域分割的平均DICE达到88.17%;维管束分割的AP₅₀和AP_50:70分别达到88.78%和72.80%。根据分割结果，可以获得玉米茎秆截面尺寸、各功能区域尺寸和维管束数量、面积等微观结构参数。本文方法具有精确性、实时性和可用性，可用于玉米茎秆微观结构参数的自动化测定，为作物抗倒伏研究提供技术基础。

Measurement of Maize Stem Cross Section Parameters Based on Semantic Segmentation and Instance Segmentation