在 Google Colaboratory 中使用深度学习分割土壤与植物 X 射线 CT 图像的工作流

X 射线微计算机断层扫描（X-ray microCT）使得在微米尺度表征植物与土壤中发生的性质与过程成为可能。尽管该先进技术被广泛应用，硬件与软件两方面的重大局限仍制约着图像处理与数据分析的速度和精度。机器学习的最新进展，特别是卷积神经网络在图像分析中的应用，已实现图像数据的快速准确分割。然而，将卷积神经网络应用于环境与农业相关图像分析仍面临挑战。具体而言，构建这些 AI/ML 工具的计算机科学家和工程师，与可能不确定如何在其工作中应用这些工具的农业研究潜在终端用户之间存在脱节。此外，训练和应用深度学习模型所需的计算资源较为特殊，更常见于计算机游戏系统或图形设计工作，而非传统计算系统。为应对这些挑战，我们开发了一个模块化工作流，利用 Google Colaboratory 网络应用中的低成本资源将卷积神经网络应用于 X-ray microCT 图像。在此我们展示该工作流的结果，以核桃叶片、杏仁花芽和土壤团聚体的示例扫描说明如何优化参数以获得最佳结果。我们期望该框架能加速植物与土壤科学中新兴深度学习技术的采用与使用。