基于CP-DeepLabv3+的玉米根系圖像分割

趙亞鳳 王孟雪 王德帥 王冬冬 李園 胡峻峰

摘要：利用微根管技術(shù)可以直接監(jiān)測植物根系動(dòng)態(tài)生長，并獲取清晰根系圖像，但土壤環(huán)境復(fù)雜、顆粒不均勻、細(xì)根數(shù)量多，圖像分割時(shí)容易造成根系不連續(xù)，將土壤背景誤認(rèn)為根系。針對(duì)以上問題，提出了CP-DeepLabv3+算法進(jìn)行圖像分割。該算法引入坐標(biāo)注意力機(jī)制（coordinate attention， CA），更精確地獲得分割目標(biāo)信息，使得分割目標(biāo)邊緣更加連續(xù)；在ASPP特征提取模塊加入條紋池化（strip pooling，SP）分支，避免在相距較遠(yuǎn)的位置之間建立不必要的連接，提高圖像分割精度。利用CP-DeepLabv3+算法對(duì)玉米根系數(shù)據(jù)集進(jìn)行測試，結(jié)果顯示，平均交并比（mean intersection over union，MIoU）值為82.95%，平均像素精確度（mean pixelaccuracy，MPA）值為92.47%，相比于原始DeepLabv3+模型分別提高了3.69%、4.44%，表明該算法可有效分割玉米根系，對(duì)圖像特征提取具有實(shí)際意義。

關(guān)鍵詞：玉米根系；微根管法；原位監(jiān)測；CP-DeepLabv3+

doi：10.13304/j.nykjdb.2022.0996

中圖分類號(hào)：S513；TP391 文獻(xiàn)標(biāo)志碼：A 文章編號(hào)：1008‐0864（2024）03‐0110‐07

根系是植物從土壤中獲取營養(yǎng)物質(zhì)的重要器官，其通過與土壤形成復(fù)合結(jié)構(gòu)體的方式固定植物地上部分以及土壤，防止水土流失，同時(shí)，其在生態(tài)系統(tǒng)循環(huán)中的碳匯作用也不容忽視[1]。與地上植株表型研究不同，根系的生長環(huán)境極為復(fù)雜，也無法直接用肉眼觀察其生長趨勢。由于根系脆弱易損傷，并受土壤顆粒遮蔽與混淆等影響，很難獲取高通量根系表型信息[2]。傳統(tǒng)的根系研究方法，如土鉆法、挖掘法、剖面法等，不僅對(duì)根系造成破壞，也無法獲得根系的動(dòng)態(tài)表型信息，不適合用于原位根系檢測。微根管法是Bates于1937年提出的一種基本不破壞根系、能夠原位連續(xù)監(jiān)測細(xì)根生長動(dòng)態(tài)的研究方法[3]。該方法提前將透明管道埋入根系附近土壤，一部分根會(huì)在管道周圍生長延伸，通過管道中的成像設(shè)備來記錄根系的生長情況，進(jìn)一步通過所記錄的信息獲得量化信息（如根長、根的直徑、根的數(shù)量等），能夠在不同時(shí)期對(duì)不可見的地下部分進(jìn)行定點(diǎn)、連續(xù)、周期性的動(dòng)態(tài)監(jiān)測。

目前通過微根管技術(shù)已經(jīng)進(jìn)行了很多研究。廖榮偉等[4]利用微根管技術(shù)對(duì)玉米根系生長進(jìn)行了監(jiān)測，準(zhǔn)確度較高；李燕麗等[5]發(fā)現(xiàn)，微根管技術(shù)可以快速、無損地獲取小麥根系生長的相關(guān)參數(shù)。劉凱等[6]利用微根管技術(shù)對(duì)毛白楊根系進(jìn)行了研究，獲得林木根系分布特征，對(duì)參數(shù)的提取正確率很高。

對(duì)根系參數(shù)進(jìn)行研究分析，重要的是要對(duì)根系圖像進(jìn)行分割，研究人員對(duì)不同類型的根系圖像進(jìn)行分割并獲得了較多研究成果。李克新等[7]對(duì)林木幼苗根系的CT 圖像分割算法進(jìn)行研究，但CT圖像不同于自然圖像，不存在雜質(zhì)影響，比較清晰。閾值法僅對(duì)序列初始的簡單圖像處理效果較為理想，改進(jìn)的區(qū)域生長法對(duì)分割目標(biāo)連續(xù)的圖像分割效果較好，改進(jìn)的模糊C 均值（fuzzy C-means， FCM）對(duì)不連續(xù)的分割目標(biāo)分割效果明顯。佘麗萱等[8]提出了一種圖像閾值分割方法，有效地抑制了噪聲和土壤雜質(zhì)的影響，能夠?qū)γ藁ǜ颠M(jìn)行準(zhǔn)確的分割。利用閾值分割等傳統(tǒng)的圖像處理方法對(duì)圖像的要求比較高，經(jīng)微根管技術(shù)采集的自然圖像很難通過傳統(tǒng)方法達(dá)到預(yù)期效果。

隨著人工智能技術(shù)的發(fā)展，深度學(xué)習(xí)在圖像分割領(lǐng)域取得了很好的成果。Yasrab等[9]提出一種新的圖像分析方法RootNav 2.0，可以在不同的成像設(shè)置中從一系列植物中全自動(dòng)提取復(fù)雜的根系結(jié)構(gòu)，準(zhǔn)確地分割高分辨率圖像中的小根特征；Wang 等[10] 提出一種基于卷積神經(jīng)網(wǎng)絡(luò)（convolutional neural networks.CNN）的全自動(dòng)分割方法SegRoot，適用于從復(fù)雜的土壤背景中分割根，獲得高性能的分割結(jié)果；Wasson 等[11]也驗(yàn)證了SegRoot在大豆根圖像上的分割性能；Smith等[12]提出一種基于U-Net的根分割系統(tǒng)，該系統(tǒng)更準(zhǔn)確地分割土壤圖像中的根系形態(tài)，分割質(zhì)量高于大部分的手動(dòng)注釋。申晨[13]提出了基于亞像素卷積的SP-DeepLabv3+網(wǎng)絡(luò)，用于實(shí)現(xiàn)根系表型的無損、實(shí)時(shí)、完整、精確分割，為高通量原位根系表型研究提供了理論和技術(shù)支撐。

針對(duì)玉米原位根系圖像特點(diǎn)，本文選擇DeepLabv3+算法進(jìn)行圖像分割，DeepLabv3+分割模型通過采用特征融合策略使網(wǎng)絡(luò)保存了很多淺層特征，改善了其他網(wǎng)絡(luò)模型邊界效果不理想的問題，但在玉米根系分割過程中，仍存在根系邊緣分割不連續(xù)、分割精度較低的問題。因此，引入坐標(biāo)注意力（coordinate attention，CA）[14]和條形池化（strip pooling，SP）[15]機(jī)制對(duì)算法DeepLabv3+進(jìn)行改進(jìn)，得到改進(jìn)算法CP-DeepLabv3+。由于根系周圍有土壤顆粒、碎石屑等遮擋物，且顏色與根系較為接近，可能會(huì)被誤認(rèn)為是根系結(jié)構(gòu)[6]。同時(shí)，微根管遮蔽不到位也會(huì)導(dǎo)致細(xì)小顆粒進(jìn)入到微根管中，產(chǎn)生噪聲，同時(shí)造成結(jié)構(gòu)邊緣不清晰，容易出現(xiàn)欠分割和過分割的情況，這些都會(huì)影響圖像的分割精度。針對(duì)這些問題，本研究首先通過圖像銳化增強(qiáng)根系邊緣信息，用中值濾波去除噪聲，再利用改進(jìn)算法完成圖像分割，并與傳統(tǒng)的分割方法進(jìn)行對(duì)比，分析CP-DeepLabv3+算法在細(xì)根、根系邊緣的分割上的表現(xiàn)，旨在為后續(xù)的根系參數(shù)分析和生長動(dòng)態(tài)預(yù)測提供支持。

1 材料與方法

1.1 試驗(yàn)地概況

玉米根系圖像采集地位于山東省濟(jì)南市商河縣，地理位置為116°58′—117°26′E、37°06′—37°32′N。該地區(qū)屬于華北平原，是溫帶季風(fēng)氣候，年均12.3 ℃，年降水量在600 mm左右，多集中于夏季。玉米種植時(shí)間為2022年6月25日，品種為‘明天605，70 cm 等行距種植，田地面積為5 000㎡。

1.2 數(shù)據(jù)獲取

利用WIFI-4.9工業(yè)內(nèi)窺鏡（深圳勢不可擋電子科技有限公司）采集圖像。4.9 mm雙鏡頭內(nèi)窺鏡，鏡頭尺寸4.9 mm ×40 mm，正面鏡頭焦距4～10 cm，側(cè)面鏡頭焦距2～5 cm；線材為6芯純銅硬線；光源為LED 光源，正面6 顆，側(cè)面2 顆，續(xù)航2 h；手柄材質(zhì)為塑料，鏡頭外殼材質(zhì)為鋁合金+不銹鋼，接口為USB Type-C。為了配合該內(nèi)窺鏡尺寸，分別選用直徑4 和7 cm的亞克力管作為微根管外殼，每根管子長度為40 cm。

采集圖像時(shí)，首先將亞克力管兩端蓋上不透光的黑色蓋子，斜著埋入玉米植株附近的土壤內(nèi)，埋入土壤的一端用膠布封住，防止土壤顆粒進(jìn)入管內(nèi)，露出土壤的部分纏滿不透光膠布，防止有光進(jìn)入管內(nèi)影響玉米的生長，監(jiān)測玉米根系生長并定期采集圖像。采集裝置如圖1所示。

每根微根管與地面成45°角埋入土壤中，埋入25 cm，露出15 cm，長隔50 m，寬隔20 m，共埋入10根。手機(jī)通過FlyScope軟件連接內(nèi)窺鏡，利用ImageScope軟件可以直接觀察內(nèi)窺鏡的拍攝畫面，圖像大小均為1 920×1 080像素，以jpg格式存儲(chǔ)，獲得玉米根系數(shù)據(jù)集。

破土期（2022年7月7日）至成熟期（2022年9月20日）采集圖像，每隔2周集中采集1次，每次采集500幅圖像。

1.3 圖像預(yù)處理

對(duì)微根管所獲取到的玉米根系圖像進(jìn)行預(yù)處理。首先選擇拉普拉斯算子（Laplacian）對(duì)圖像進(jìn)行銳化，然后進(jìn)行中值濾波。拉普拉斯算子算法是線性二次微分算子，具有旋轉(zhuǎn)不變性，能滿足不同方向的圖像邊緣銳化要求，獲得的邊界比較細(xì)，包括較多的細(xì)節(jié)信息，使根系的邊緣信息更清晰。中值濾波法是一種非線性平滑技術(shù)，將每個(gè)像素點(diǎn)的灰度值設(shè)置為該點(diǎn)某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值的中值，可以去除背景中的土壤顆粒和雜質(zhì)等噪聲影響。

1.4 圖像標(biāo)注

使用Labelme 工具完成圖像標(biāo)注，該軟件由麻省理工學(xué)院計(jì)算機(jī)科學(xué)與人工智能研究所開發(fā)。首先創(chuàng)建定制的標(biāo)注任務(wù)，再手工對(duì)數(shù)據(jù)集中2 500幅圖像進(jìn)行標(biāo)注。

1.5 經(jīng)典DeepLabv3+網(wǎng)絡(luò)及優(yōu)化

DeepLabv3+以DeepLabv3為encoder結(jié)構(gòu)，在此基礎(chǔ)上添加了簡單而有效的decoder模塊用于細(xì)化分割結(jié)果[16]。

本文對(duì)DeepLabv3+算法加以改進(jìn)，提出一種基于CP-DeepLabv3+ 算法的網(wǎng)絡(luò)模型，即在DeepLabv3+的基礎(chǔ)上，將Xception骨干網(wǎng)絡(luò)替換為更為輕量的MobileNetv2網(wǎng)絡(luò)，在其后添加CA，更準(zhǔn)確地獲取玉米根系的位置信息；并且在ASPP特征提取模塊中添加SP分支，去除多余無關(guān)的信息，得到CP-DeepLabv3+模型，如圖2所示。

將CP-DeepLabv3+ 網(wǎng)絡(luò)與Unet 網(wǎng)絡(luò)、經(jīng)典DeepLabv3+網(wǎng)絡(luò)、引入CA的DeepLabv3+網(wǎng)絡(luò)、 引入CA和CFF的DeepLabv3+網(wǎng)絡(luò)[17]以及將DeepLabv3+中ASPP替換為DenseASPP網(wǎng)絡(luò)[18]進(jìn)行對(duì)比分析。

1.6 圖像分割

玉米根系分割實(shí)驗(yàn)利用Windows 10 操作系統(tǒng)，軟硬件環(huán)境配置如表1所示。從破土期到生長后期，共采集了2 500幅圖像作為數(shù)據(jù)集。將圖像裁剪成512×512 像素隨機(jī)進(jìn)行實(shí)驗(yàn)，按照9∶1的比例劃分訓(xùn)練集和測試集，2 250幅作為訓(xùn)練圖像，250幅作為測試圖像。

為了分析改進(jìn)后的分割算法的準(zhǔn)確性和真實(shí)性，原模型和改進(jìn)后的模型設(shè)置相同參數(shù)，采用平均交并比（mean intersection over union，MIoU）、像素準(zhǔn)確率（pixel accuracy，PA）和類別平均像素準(zhǔn)確率（mean pixel accuracy，MPA）作為指標(biāo)對(duì)模型進(jìn)行評(píng)價(jià)。

2 結(jié)果與分析

2.1 圖像預(yù)處理結(jié)果分析

選擇生長前期圖像進(jìn)行預(yù)處理，結(jié)果如圖3所示。首先，利用拉普拉斯算子對(duì)采集圖像進(jìn)行銳化，增強(qiáng)根系邊緣信息，銳化后的圖像背景和根系的反差提高，根系部分增強(qiáng)，邊緣部分也更加清晰。然后，用中值濾波對(duì)銳化后的圖像進(jìn)行處理，濾波后圖像的背景弱化，去除了背景中的土壤顆粒和雜質(zhì)等噪聲影響，使根系更加突出，便于后續(xù)的分割。

2.2 不同算法分割效果分析

為了進(jìn)一步驗(yàn)證CP-DeepLabv3+算法對(duì)玉米的根系分割性能，與其他方法進(jìn)行對(duì)比，結(jié)果如表2 所示。由表2 可知，CP-DeepLabv3+ 算法的MIoU、PA、MPA 3個(gè)參數(shù)都高于其他5個(gè)算法，說明本文所提出的改進(jìn)算法能夠更好地分辨根系和背景，邊緣部分的分割精度能得到最大提升。MPA 變化最明顯，說明CP-DeepLabv3+算法對(duì)于根系和背景的像素分類表現(xiàn)更好。結(jié)果表明，CPDeepLabv3+算法在玉米根系分割性能上具有一定的優(yōu)勢。

2.3 改進(jìn)后算法的有效性驗(yàn)證

選擇不同時(shí)期的玉米根系圖像對(duì)CPDeepLabv3+算法的分割效果進(jìn)行驗(yàn)證，結(jié)果如圖4所示。由圖4可知，CP-DeepLabv3+算法對(duì)不同時(shí)期的玉米根系分割效果均高于其他算法。在邊緣信息提取方面，該算法不僅能將屬于根系的部分完整的分割出來，而且能將大部分細(xì)根連續(xù)地分割出來，邊緣比較清晰。

CP-DeepLabv3+算法在玉米根系數(shù)據(jù)集上訓(xùn)練和測試的損失值曲線如圖5所示，迭代次數(shù)為100，訓(xùn)練集最初損失值為0.800，最終的損失值為0.214；測試集最初損失值為0.800，最終的損失值為0.215。平均交并比值最終達(dá)到82.95%（圖6）。

3 討論

玉米根系龐大、分布廣、下扎能力強(qiáng)[20]，后期細(xì)根增多，這些都增加了玉米根系圖像的分割難度。本研究針對(duì)傳統(tǒng)圖像分割方法在玉米根系邊緣圖像中存在分割精度和效率等問題，提出了一種基于改進(jìn)DeepLabv3+模型的算法，即CP-DeepLabv3+算法。

影響根系分割精度的主要是土壤背景和根的對(duì)比度，深度學(xué)習(xí)除建立模型外，最重要的是如何建立合格的數(shù)據(jù)集，不同的角度、光照強(qiáng)度都會(huì)對(duì)結(jié)果產(chǎn)生影響。在建立模型前，采用拉普拉斯算子（Laplacian）和中值濾波增強(qiáng)圖像，從而提升分割效果。

注意力機(jī)制是在眾多信息中加強(qiáng)對(duì)關(guān)鍵主要信息的提取，從而提高效率和準(zhǔn)確率的一種方法。經(jīng)典DeepLabv3+模型缺乏空間特征的提取，坐標(biāo)注意力（CA）機(jī)制通過加入位置信息給到通道注意力，獲取到更大的區(qū)域信息，同時(shí)避免了引入過多無用的信息。由于普通的空間池化會(huì)不可避免地加入一些無關(guān)的像素區(qū)域，對(duì)根系的分割有一定的影響，尤其在擴(kuò)大感受野時(shí)這一缺點(diǎn)會(huì)更加明顯。該算法將DeepLabv3+原有的骨干網(wǎng)絡(luò)Xception 替換成更為輕量級(jí)的MobileNetv2，引入CA，同時(shí)在ASPP特征提取模塊中增加SP池化分支。SP和普通池化的本質(zhì)區(qū)別是條紋池化將池化核對(duì)應(yīng)的特征圖上的像素求了平均值，減少了與無關(guān)信息之間的連接，對(duì)于邊緣信息的提取有很大的幫助。

CP-DeepLabv3+算法在根系和背景的IoU 高于其他算法，能夠更好地分辨根系和背景，邊緣部分的分割精度能得到最大提升。與經(jīng)典DeepLabv3+算法相比，MIoU、MPA、PA 分別提高了3.69%、4.44%、2.33%。與黃聰?shù)萚17]、李寧等[18]對(duì)DeepLabv3+提出的改進(jìn)算法相比，準(zhǔn)確率、平均交并比等各個(gè)評(píng)價(jià)指標(biāo)都有所提升。

綜合來看，仍有3部分需要深入探索。首先，數(shù)據(jù)集的建立花費(fèi)了大量的時(shí)間，這個(gè)過程不僅僅是圖片的收集，還包括標(biāo)注數(shù)據(jù)、濾除模糊不合格的數(shù)據(jù)、進(jìn)行圖像預(yù)處理等過程，在標(biāo)注圖像的過程中不僅需要大量的時(shí)間，而且需要有較深專業(yè)知識(shí)背景。可以使用GAN網(wǎng)絡(luò)參與數(shù)據(jù)集的建立，Tian等[21]使用CycleGAN學(xué)習(xí)炭疽蘋果圖像的特征，并將其轉(zhuǎn)移到健康蘋果圖像中，減少了數(shù)據(jù)建立時(shí)間并且提高了模型的魯棒性。同時(shí)，在數(shù)據(jù)的預(yù)處理方面，需要丟棄很多的無效數(shù)據(jù)，對(duì)于無效數(shù)據(jù)的利用也需要技術(shù)革新。其次，在算法的建立方面，本研究共使用2 500幅圖像，在復(fù)雜的土壤環(huán)境中根系的分割精度不夠高，會(huì)丟失掉一些極其細(xì)小的根；圖像的清晰度也會(huì)影響分割的精度，下一步可以著手解決這些方面的問題。最后，本文中只使用了遷移學(xué)習(xí)的思想在玉米根數(shù)據(jù)集進(jìn)行了驗(yàn)證，但是在更換作物或者土壤環(huán)境的情況下仍然需要重新訓(xùn)練驗(yàn)證，可以進(jìn)行預(yù)訓(xùn)練模型的設(shè)計(jì)使得訓(xùn)練過程減少。

參考文獻(xiàn)

［1］ 牛學(xué)禮，南志標(biāo).運(yùn)用微根管技術(shù)研究草地植物細(xì)根的進(jìn)展

[J].草業(yè)學(xué)報(bào)，2017，26（11）：205-215.

NIU X L， NAN Z B. Rewiew of minirhizotron applications for

study of fine roots in grassland [J]. Acta Pratac. Sin.， 2017， 26

（11）：205-215.

［2］ DANJON F， REUBENS B. Assessing and analyzing 3D

architecture of woody root systems， a review of methods and

applications in tree and soil stability， resource acquisition and

allocation [J]. Plant Soil， 2008， 303： 1-34.

［3］ BATES G H. A device for the observation of root growth in the

soil [J]. Nature， 1937，139： 966–967.

［4］ 廖榮偉，劉晶淼，安順清，等.基于微根管技術(shù)的玉米根系生

長監(jiān)測[J].農(nóng)業(yè)工程學(xué)報(bào)，2010，26（10）：156-161.

LIAO R W， LIU J M， AN S Q， et al .. Monitor of corn root

growth in soil based on minirhizotron technique [J]. Trans.

Chin. Soc. Agric. Eng.， 2010，26（10）：156-161.

［5］ 李燕麗，王昌昆，盧碧林，等.基于微根管技術(shù)的鹽脅迫下小

麥根系生長原位監(jiān)測方法[J].土壤學(xué)報(bào)，2021，58（3）：599-609.

LI Y L，WANG C K， LU B L， et al .. In-situ monitoring method

of wheat root growth under salt stress using minirhizotron

technique [J]. Acta Pedol. Sin.， 2021， 58（3）： 599-609.

［6］ 劉凱，李文彬，趙玥，等.基于微根管圖像的根系形態(tài)特征快

速提取技術(shù)[J].中國水土保持科學(xué)，2021，19（4）：129-136.

LIU K， LI W B， ZHAO Y， et al .. Rapid extraction technology of

the root morphological characteristics via minirhizotron image

[J]. Sci. Soil Water Conservation， 2021， 19（4）： 129-136.

［7］ 李克新，李沐陽，薛瑞，等.林木幼苗根系 CT 序列圖像分割

[J].森林工程，2014，30 （1）：25-29.

LI K X， LI M Y， XUE R， et al .. CT slice image segmentation of

the seedling roots [J]. Forest Eng.， 2014，30 （1）：25-29.

［8］ 佘麗萱，康佳，王楠，等.一種新的棉花根系圖像閾值分割方

法[J].河北大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，42（2）：124-130.

SHE L X， KANG J， WANG N， et al .. A new threshold

segmentation method for cotton root images [J]. J. Hebei Univ.

（Nat. Sci. ）， 2022， 42（2）： 124-130.

［9］ YASRAB R， ATKINSON J A， WELLS D M， et al .. RootNav

2.0： Deep learning for automatic navigation of complex plant

root architectures [J/OL]. GigaScience， 2019， 8（11）： giz123

[2022-11-16]. https：//doi.org/10.1093/gigascience/giz123.

［10］ WANG T， ROSTAMZA M， SONG Z， et al .. SegRoot： a high

throughput segmentation method for root image analysis [J].

Comput. Electron. Agric.， 2019， 162： 845-854.

［11］ WASSON A， BISCHOF L， ZWART A， et al .. A portable

fluorescence spectroscopy imaging system for automated root

phenotyping in soil cores in the field [J]. J. Exp. Bot.， 2016，67

（4）： 1033-1043.

［12］ SMITH A G， PETERSEN J ， SELVAN R， et al .. Segmentation

of roots in soil with U-Net [J/OL]. Plant Methods， 2020，16：13

[2022-11-16]. https：//doi.org/10.1186/s13007-020-0563-0.

［13］ 申晨.基于深度學(xué)習(xí)的棉花原位根系分割技術(shù)研究[D].保

定：河北農(nóng)業(yè)大學(xué)，2021.

SHEN C. Research on cotton in situ root segmentation

technology based on deep learning [D]. Baoding： Hebei

Agricultural University， 2021.

［14］ HOU Q B， ZHOU D Q， FENG J H. Coordinate attention for

efficient mobile network design [C]// Proceedings of the IEEE/CVF

conference on computer vision and pattern recognition. 2021.

［15］ HOU Q， ZHANG L， CHENG M M， et al .. Strip pooling：

Rethinking spatial pooling for scene parsing [C]// Proceedings

of the IEEE/CVF Conference on Computer Vision and Pattern

Recognition. 2020： 4003-4012.

［16］ CHEN L C， ZHU Y， PAPANDREOU G， et al .. Encoderdecoder

with atrous separable convolution for semantic image

segmentation [C]// Proceedings of the European conference on

computer vision （ECCV）. Computer Vision Foundation， 2018：

801-818.

［17］ 黃聰，楊珺，劉毅，等.基于改進(jìn)DeepLabV3+的遙感圖像分割

算法[J].電子測量技術(shù)，2022，45（21）：148-155.

HUANG C， YANG J， LIU Y， et al .. Remote sensing image

segmentation algorithm based on improved DeeplabV3+ [J].

Electron. Meas. Technol.， 2022，45（21）：148-155.

［18］ 李寧，張彥輝，尚英強(qiáng)，等.基于改進(jìn)DeepLabv3+網(wǎng)絡(luò)的風(fēng)機(jī)葉

片分割算法研究[J].電子技術(shù)應(yīng)用，2022，48（9）：108-113，118.

LI N，ZHANG Y H，SHANG Y Q，et al .. Research on fan blade

segmentation algorithm based on improved DeepLabv3+

network [J]. Appl. Electron. Tech.， 2022， 48（9）：108-113，118.

［19］ 譚國金，歐吉，艾永明，等.基于改進(jìn)DeepLabv3+模型的橋梁

裂縫圖像分割方法[J]. 吉林大學(xué)學(xué)報(bào)（工學(xué)版）， 2022， 48（9）：

108-113， 118.

TAN G J， OU J， AI Y M， et al .. Bridge crack image segmentation

method based on improved DeepLabv3+ model [J]. J. Jilin Univ.

（Eng. Technol.）： 2022， 48（9）：108-113， 118.

［20］ 肖萬欣，王延波，趙海巖，等.中國不同年代玉米根系形態(tài)生

理功能特性的演化[J].遼寧農(nóng)業(yè)科學(xué)，2022，（3）：45-49.

XIAO W X， WANG Y B， ZHAO H Y， et al .. Evolution of

morphological and physiological function traits of corn root

released in different ages of China[J].Liaoning Agric. Sci.，2022

（3）：45-49.

［21］ TIAN Y， YANG G D， WANG Z， et al .. Detection of apple

lesions in orchards based on deep learning methods of

CycleGAN and YOLOV3-dense [J/OL]. J. Sen.， 2019， 7630926

[2022-11-16]. https：//doi.org/10.1155/2019/7630926.

（責(zé)任編輯：溫小杰）