有效的大豆种子表型需要大量准确的形态参数。传统的人工获取大豆种子形态表型信息容易出错，耗时长，不适合大规模采集。大豆种子个体分割是获得种子长、宽等表型性状的前提。然而，用于获得高通量大豆种子表型的基于图像的传统方法并不可靠且不实用。基于深度学习的算法虽然可以实现精确的训练和较强的泛化能力，但需要大量的地面真实数据，这往往是算法的局限性。

在三种光照条件下拍摄了大豆种子图像。a是白天的室外场景；b是白天有荧光灯的室内场景；c是夜间有荧光灯的室内场景

本文提出了一种新的基于区域随机化的合成图像生成和增强方法。利用该方法自动合成大量标记图像数据集，训练实例分割网络，用于高通量大豆种子分割。它可以显著降低人工标注的成本，方便训练数据集的准备。卷积神经网络完全可以通过我们的合成图像数据集来训练，以获得良好的性能。在训练Mask R-CNN的过程中，本文作者提出了一种转移学习方法，通过微调预先训练好的模型权值，可以显著降低计算量。通过对不同分辨率的合成测试数据集和真实大豆种子测试数据集的分析，验证了该方法的可靠性和泛化能力。

实验结果表明，该方法实现了大豆种子个体的有效分割和种子形态参数的有效计算，可用于高通量对象实例分割和高通量种子表型分析。

来源：Plant Methods.High-throughput soybean seeds phenotyping with convolutional neural networks and transfer learning.Si Yang,Lihua Zheng,Peng He,Tingting Wu,Shi Sun&Minjuan Wang
原文链接：https://plantmethods.biomedcentral.com/articles/10.1186/s13007-021-00749-y