水稻结实率是水稻产量计算和遗传分析的重要依据。与机器视觉不同的是，X射线计算机断层扫描(CT)成像是一种非破坏性技术，它能直接提供稻穗内部和外部结构的信息。然而，在CT图像序列中，穗粒间遮挡和粘附使得这些目标难以识别，从而阻碍了对水稻穗结实率的准确测定。为此，本文提出了一种基于掩模区域卷积神经网络(maskr-CNN)的稻穗CT图像特征提取和三维识别方法。

不同层数的水稻CT图像序列

用于深度学习的蒙版 CT 图像，(左)CT 图像，(中)蒙版 CT 图像，(右)图像标签

将X射线CT特征表征与掩模R-CNN算法相结合，对CT序列的每一层穗粒进行特征提取和分类。利用相邻层间欧氏距离最小的方法提取三维穗粒特征。利用该结果计算水稻穗部结实率。以8组不同稻穗为试验材料，对该方法进行了试验验证。结果表明，该方法能有效地识别和统计饱满粒和枯萎粒，结实率准确率达到99%以上。

水稻纵切面CT序列

Mask R-CNN 分割结果：(a) 原始重建水稻穗图像; (b) 分割验证结果; (c) 分割示例的掩码图像

使用第 4 节中描述的方法获得的 8 个水稻穗样品的验证结果：(a-h 水稻穗样品图像和(i-p 枯萎粒识别的 3-D 可视化结果)

来源：

Kong H, Chen P. Mask R-CNN-based feature extraction and three-dimensional recognition of rice panicle CT images. Plant Direct. 2021 May 10;5(5):e00323. doi: 10.1002/pld3.323. eCollection 2021 May.