摘要
为了适应全球人口增长带来的粮食需求增加以及气候变化带来的农作物产量的不确定性，最有效的措施便是培育优良的作物品种和实现现代化的栽培技术，于是，现代化的高通量表型分析技术应运而生。在小麦育种试验中，往往有大量的育种材料，而对每一个育种小区内部的育种材料进行表型分析时则需要获取该育种试验区的育种小区边界，因此，育种小区边界数据在高通量作物表型分析技术中是至关重要的。当下，通常通过人工画取的方式获取育种小区边界，这种方法极易受到人的主观因素影响且耗时费力，亟需一种快速、准确的育种小区边界提取方式。本研究基于无人机遥感平台获取小麦育种试验的无人机影像，构建全卷积神经网络模型，在模型中引入注意力机制用于平衡数据集中类别分布不均衡的情况，之后使用图像细化以及直线检测等后处理算法对全卷积神经网络得到的边界提取结果进行进一步的改进和完善，最后将训练好的全卷积神经网络模型和后处理算法部署至电脑端实现Windows操作系统下的育种小区边界提取系统，实现一套系统化、自动化的育种小区边界提取流程。具体的结果如下： （1）针对当前手工获取育种小区边界效率低的问题，提出了一种以VGGNet作为主干特征提取网络，以UNet作为加强特征提取网络的全卷积神经网络方法A-UNet-VGGNet，并在连接加强特征提取网络和主干特征提取网络的跳跃结构中引入注意力机制用于平衡数据集和增强模型学习全局特征的能力，将该模型与语义分割领域的主流模型FCN、PSPNet以及未引入注意力机制的UNet-VGGNet进行定量比较发现，本研究提出的模型A-UNet-VGGNet在测试集上的F1-Score、精确率和召回率上分别为93%、93.4%以及92.8%，在四种模型中最高，且该模型的收敛速度最快，能够达到的最低损失值更低。对四种模型的边界提取结果进行定性分析发现，本研究提出的A-UNet-VGGNet模型误分类的像素点比例更低且获取到的边界更加平滑，证明本研究提出的模型用于育种小区边界提取领域是有效且准确的。 （2）针对语义分割模型由于行间杂草以及封行现象等原因出现的边界断裂问题，进一步引入后处理操作来对边界提取结果进行完善，首先利用图像细化算法对语义分割模型得到的边界提取结果进行细化，之后利用改进后的霍夫变换对图像细化后的结果进行直线检测，从而起到完善边界线以及减少断裂边界的作用。结果发现，在图像细化算法中，只有本研究用到的Hilditch细化算法能够较为准确的提取到图像的中心线，且改进后的霍夫变换能够起到完善边界线的作用。最后，对不同生育时期提取到的育种小区的边界结果进行定性比较，发现拔节期的边界提取更符合我们的需要，边界提取命中率达到93.8%，其他生育期均因封行现象以及小区间杂草等原因精度有一定程度的降低。 （3）针对当前缺乏一种系统化、流程化的育种小区边界提取流程问题，将训练好的模型和后处理算法部署至电脑端，实现读取图片并对图像进行操作等一系列功能，方便表型分析人员能够快速、准确的获取到小麦育种小区边界。
NETL