研究目的與方法：
在植物圖像實例分割任務中，由于植物種類與形態(tài)的多樣性，采用全監(jiān)督學習時人們很難獲得足量、有效且低成本的訓練樣本。為解決這一問題，該研究提出一種基于自生成標簽的
玉米苗期圖像實例分割網絡（automatic labelling based instance segmentation network，AutoLNet），在弱監(jiān)督實例分割模型的基礎上加入標簽自生成模塊，利用顏色空間轉換、輪廓跟蹤和最小外接矩形在玉米苗期圖像（俯視圖）中生成目標邊界框（弱標簽），利用弱標簽代替人工標簽參與網絡訓練，在無人工標簽條件下實現(xiàn)玉米苗期圖像實例分割。
結果與結論：
試驗結果表明，自生成標簽與人工標簽的距離交并比和余弦相似度分別達到95.23%和94.10%，標簽質量可以滿足弱監(jiān)督訓練要求；AutoLNet輸出預測框和掩膜的平均精度分別達到68.69%和35.07%，與人工標簽質量相比，預測框與掩膜的平均精度分別提高了10.83和3.42個百分點，與弱監(jiān)督模型（DiscoBox和Box2Mask）相比，預測框平均精度分別提高了11.28和8.79個百分點，掩膜平均精度分別提高了12.75和10.72個百分點；與全監(jiān)督模型（CondInst和Mask R-CNN）相比，AutoLNet的預測框平均精度和掩膜平均精度可以達到CondInst模型的94.32%和83.14%，比Mask R-CNN模型的預測框和掩膜平均精度分別高7.54和3.28個百分點。AutoLNet可以利用標簽自生成模塊自動獲得圖像中玉米植株標簽，在無人工標簽的前提下實現(xiàn)玉米苗期圖像的實例分割，可為大田環(huán)境下的玉米苗期圖像實例分割任務提供解決方案和技術支持。
引文信息：
趙露露，鄧寒冰，周云成，等. 基于自生成標簽的玉米苗期圖像實例分割[J]. 農業(yè)工程學報，2023，39（11）：201-211
doi: 10.11975/j.issn.1002-6819.202301085