基于弱监督学习的复杂田间棉铃实例分割方法研究

China's cotton production has the demand for cost saving and quality improvement. In the growth process of cotton, boll can directly affect the yield and quality. Based on above, this research explores an automatic acquisition method of cotton boll’s multi-dimensional visual attribute information, including phenotypic character, growth status identification, spatial distribution and boll number. Aiming at the low efficiency of visual tasks in cotton information intellectualization, this research proposes a weakly supervised instance segmentation method for in-field cotton boll, which comprises object counting of local count level classification, object blob localization of local contextual information and cotton boll weakly supervised instance segmentation based on a course-to-fine strategy. On the premise of greatly reducing data annotation, the implicit relevance among visual tasks is utilized to extract multi-dimensional visual attribute information of cotton boll efficiently. It can better cater to practical applications, and provide new ideas and methods for information intelligence of cotton.

基于我国棉花生产对节本提质增效的应用需求，本项目以能直接影响棉花产量品质的棉铃为研究对象，研究复杂棉田中棉铃多维视觉属性信息（表型性状、发育状态识别、空间分布和结铃数）的自动获取。针对当前棉花信息智能化中视觉任务处理效率低的问题，遵循“基于局部稠密等级分类的目标计数→基于局部上下文的实例目标区域定位→基于由粗到精策略的棉铃弱监督实例分割”的技术路线，提出了一种针对复杂田间棉铃的弱监督实例分割方法。在大大减少数据标注的前提下，利用视觉任务之间的隐式关联性，实现棉铃多维视觉信息的高效提取，更好地迎合实际应用，为棉花信息的智能化提取提供新的思路和方法。

基于我国棉花生产对节本提质增效的应用需求，本项目以能直接影响棉花产量品质的棉铃为研究对象，对复杂棉田中棉铃的表型性状、发育状态识别、空间分布和结铃数等多维视觉属性信息的自动获取展开研究。遵循“基于局部稠密等级分类的目标计数→基于局部上下文的实例目标区域定位→基于由粗到精策略的棉铃弱监督实例分割”的技术路线，具体进行了棉铃检测和表型性状提取、棉铃发育状态模式分类、轻量化模型、基于点监督的棉铃定位和基于弱监督的棉铃实例分割等问题的研究。其中，针对在研究过程中发现的多尺度、遮挡严重、计数可解释性差和模型参数量大等问题进行了扩展研究。相关研究成果发表在Computers and Electronics in Agriculture、Journal of Electronic Imaging、Frontiers in Plant Science、Plant Methods、Plant Phenomics等国内外知名学术期刊、会议上共15篇。其中共有SCI论文10篇（一区和二区SCI论文6篇），中文核心论文3篇（CCF A类1篇，CCF C类1篇），EI会议论文2篇（1篇暂未被检索）。申请了2项国家发明专利，其中1项已授权，培养了7名硕士研究生。形成了针对棉铃多维视觉信息高效提取问题的一系列理论成果和应用算法，更好地迎合实际应用，为棉花信息的智能化提取提供新的思路和方法。