基于序列信息与多尺度特征的自监督模型提升农业土壤CT图像分割精度

本文提出了一种创新的自监督对比学习方法(SIMFNet)，通过融合土壤CT图像的序列信息和多尺度特征，在无需大量标注数据的情况下实现了孔隙结构的高精度分割（准确率97.88%）。该方法突破了传统软件(ImageJ/Avizo)和监督学习对人工标注的依赖，为数字土壤表征提供了自动化解决方案。

　　

Highlight亮点

• 首次将自监督对比学习成功应用于土壤孔隙分割领域

• 创新性融合CT序列信息和多尺度特征提取技术

• 在有限标注数据条件下实现87.67%的精确度

Results and Discussion结果与讨论

土壤CT图像分割是研究土壤内部结构、农田水分运动和土壤功能的关键步骤。通过与主流土壤科学软件（Image-Pro Plus/ImageJ/Avizo）、监督分割方法和对比学习方法（SimSiam等）的系统对比，SIMFNet展现出显著优势：不仅达到97.88%的最高准确率，其精确度（87.67%）和调和平均数（77.86%）更比第二名方法分别高出25.05%和5.9%。该方法成功解决了不同尺寸孔隙和模糊边界的识别难题，为多尺度土壤建模提供了可靠技术支撑。

Conclusions结论

本研究提出的对比学习方法(SIMFNet)创新性地结合了土壤CT图像的序列特征和多尺度信息，实现了无需大规模标注数据的孔隙结构自动识别。实验证明该方法能有效分割不同尺寸、边界模糊的复杂孔隙结构，其性能显著优于传统阈值分割方法和现有深度学习方案。该技术为土壤结构分析提供了高效自动化工具，将推动数字土壤表征研究进入新阶段。