编辑推荐：
为解决油菜花序分割难题及标注数据不足问题，研究人员开展 “DM_CorrMatch: a semi?supervised semantic segmentation framework for rapeseed flower coverage estimation using UAV imagery” 主题研究。结果显示该方法优于多种传统和深度学习方法，为油菜花期监测及育种提供有力工具。
在食用油供应的大棋盘上，油菜可是个 “关键棋子”。2023 年，我国食用植物油消费量高达 3908 万吨，可自产的仅约 1051.5 万吨，自给率才 30% 左右。油菜作为国内植物油的主要来源，提升其产量对保障食用油供应安全至关重要。而提高油菜单产的关键之一，就是培育高产油菜品种。这就需要精确了解油菜的生长状况，其中油菜花期的覆盖度是评估其生长和预估产量的重要指标。
以往传统的油菜花期观测方法既耗时又费力，还很主观。虽然遥感技术在作物表型分析中逐渐崭露头角，但用多光谱和卫星成像来获取小育种地块的花卉数量等精细信息时，空间分辨率又成了 “拦路虎”。深度学习语义分割技术虽好，却对大规模像素级标注数据集有着很高的要求，标注成本高且耗时久。在这样的困境下，为了实现油菜花期覆盖度的精准监测，湖北工业大学和中国农业科学院油料作物研究所的研究人员踏上了探索之旅，他们的研究成果发表在《Plant Methods》杂志上。
研究人员提出了一种半监督语义分割框架 DM_CorrMatch，主要运用了以下几种关键技术方法：
一是数据增强技术，通过弱增强（如缩放、裁剪、翻转）和强增强（如颜色抖动、灰度转换、CutMix），以及基于去噪扩散概率模型（DDPM）生成额外样本，丰富了训练数据。
二是采用 Mamba-Deeplabv3 + 网络，将 Vision Mamba 融入 ResNet101 的浅层残差块，增强了网络对局部和全局特征的提取能力。
三是设计了自动更新标记数据策略（AUL），通过过滤伪标签，将高置信度的样本融入原始标记数据集，优化了标记数据质量。
研究结果如下：
- 数据生成增强：经 LPIPS、FID 和 SSIM 指标评估，DDPM 生成的图像质量良好。实验发现，增加未标记数据量可提升模型性能，综合考虑，选择 30 个标记图像和 900 个未标记图像的配置，能较好地平衡分割精度和训练效率。
- 基础网络选择：对比多种常用架构，Mamba-DeepLabv3 + 网络在精度、召回率、交并比（IoU）、F1 分数和准确率这五个评估指标上均表现最佳，证明其在提高分割精度和细节保留方面的有效性。
- 自动更新策略实验：确定在 30 个训练轮次后开始 AUL 操作效果较好，且置信度阈值为 0.8 时，能在伪标签质量和数量间达到最佳平衡，有效提升模型分割性能。
- Mamba 模块选择：Vision Mamba 通过双向状态空间模型（SSM）增强对局部和全局特征的理解，在 IoU 指标上表现最优，更适合半监督语义分割任务。
- 模块消融实验：分别添加 Vision Mamba 层、AUL 和扩散模型进行实验，结果表明这些组件都能提升模型性能，组合使用时效果更佳，但也会增加模型复杂度和计算负载。
- 与先进方法比较：对比四种传统方法和十二种语义分割方法，DM_CorrMatch 在仅使用 30 个标记样本的情况下，IoU 达到 0.886，超过了全监督方法，且在训练后期展现出优越的分割精度和稳定性。
在讨论部分，研究人员指出监测油菜花期覆盖度的变化对育种意义重大。通过分析不同油菜品种花期覆盖度的变化，能清晰了解其生长规律。研究还发现无人机飞行高度对模型分割精度有显著影响，在该研究的油菜基地，理论上 20 米的飞行高度是数据采集的最佳高度，此时地面采样距离（GSD）为 5.5 毫米 / 像素，可兼顾精度和采集效率。
综上所述，DM_CorrMatch 框架通过半监督学习方法，有效解决了标记数据有限的问题，结合 AUL 和扩散模型，提升了标记数据质量和样本数量，Mamba-DeeplabV3 + 网络增强了特征提取能力。该研究不仅为油菜花期覆盖度监测提供了新方法，也为其他作物的相关研究提供了参考。不过，该模型存在参数多、计算需求大的问题，后续研究人员计划探索优化策略，如设计轻量级模型、进行模型压缩、采用硬件加速和自适应计算等，以推动其在实际中的应用，同时还打算将该方法拓展到其他作物研究领域，进一步发挥其价值。
