基于全卷积网络和断层扫描图像的土壤孔隙分割-农业工程学报.PDF

第 35 卷 第 2 期 农 业 工 程 学 报 Vol.35 No.2 128 2019 年 1 月 Transactions of the Chinese Society of Agricultural Engineering Jan. 2019 基于全卷积网络的土壤断层扫描图像中孔隙分割 1,2,3 1,2,3※ 1,2,3 1 4 韩巧玲 ，赵 玥 ，赵燕东 ，刘克雄 ，庞 曼 （1. 北京林业大学工学院，北京 100083；2. 城乡生态环境北京实验室，北京 100083 ； 3. 林业装备与自动化国家林业局重点实验室，北京 100083 ；4. 定州市绿谷农业科技发展有限公司，定州 073006 ） 摘 要：针对土壤断层扫描图像中存在部分容积效应及因孔隙成分复杂、结构不规则等引起的分割精度低的问题，该文 提出一种全卷积网络（fully convolutional network，FCN ）土壤孔隙分割方法，为土壤科学研究提供技术支持。该文以黑 土土壤断层扫描图像为研究对象，通过卷积和池化运算输出不同尺度的孔隙特征图；将孔隙的深层特征和浅层特征相融 合，采用上采样算子对融合特征进行插值操作，从而输出孔隙的二值图。与大津法、分水岭法、区域生长法和模糊 C 均 值聚类法（Fuzzy C-means ，FCM ）4 种常用孔隙分割方法的对比结果表明，FCN 法在低，中，高 3 种孔隙密度的土壤图 像中优于其他 4 种方法。FCN 法的平均分割正确率为 98.1%，比4 种常用方法分别高 25.6% ，48.3% ，55.7%和 9.5%；FCN 法的平均过分割率和欠分割率分别为 2.2%和 1.3%，仅为次优方法（FCM 法）的 33.8%和 23.6% 。通过融合土壤孔隙结构 的多重特征，FCN 法能够实现土壤孔隙整体和局部信息的精准判断，为土壤学的研究提供了一种更加智能化的技术手段。 关键词：土壤；图像分割；全卷积网络；土壤孔隙；深度学习 doi ：10.11975/j.issn.1002-6819.2019.02.017 中图分类号：S152 文献标志码：A 文章编号：1002-6819(2019)-02-0128-06 韩巧玲，赵 玥，赵燕东，刘克雄，庞 曼. 基于全卷积网络的土壤断层扫描图像中孔隙分割[J]. 农业工程学报，2019， 35(2)：128－133. doi ：10.11975/j.issn.1002-6819.2019.02.017 Han Qiaoling, Zhao Yue, Zhao Yandong, Liu Kexiong, Pang Man. Soil pore segmentation of computed tomography images based on fully convolutional network[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2019, 35(2): 128 － 133. (in Chinese with English abstract) doi ：