木薯块根(CSRs)具有不同的形状和大小，目前主要依赖图像处理算法对其进行分割，但往往存在纤维根重叠问题。本研究针对木薯块根图像的分割开发和评估了不同的算法。

本研究将深度学习架构用于实例分割HTC（Hybrid Task Cascade），SOLOv2和Mask R-CNN应用于木薯块根数据，以研究模型是否能够克服该领域的特定挑战。作者创建了不同根系高质量的包含1227个训练，100个验证和100个测试图像分割掩模的CSRs自定义数据集。R-CNN和HTC模型采用相同的网络架构，使用计算机视觉中比较实例分割模型的标准度量，如平均精度将SOLOv2模型的结果与Mask模型的结果进行了比较和评估。

结果表明，所有检验模型均表现出良好的预测精度。SOLOv2模型整体表现最好，其计算量小于HTC；HTC取得了与SOLOv2模型几乎相同的结果，但需要的参数数量几乎翻了一番。在木薯块根实例分割中，增加模型复杂度和数据规模并不影响预测精度。预测的可视化显示了在分割掩膜的准确性方面的质量差异。然而，由于木薯块根的重叠，每个模型在分配分割掩码方面都存在问题，许多根系仍然需要测量以便于定位基因和后续育种工作。该研究结果突出了深度学习模型的实例分割对于准确分割木薯块根的潜力，有效助力木薯育种工作的开展。

图1. 木薯块根的实例图像

图2. 木薯块根原始图像及其注释示例

图3. 训练数据集中的图像增强实例

图4.实例分割掩码结果

表1.测试数据集上的掩模平均精度(%)