《Computers and Electronics in Agriculture》：StomataSeg: Semi-supervised instance segmentation for sorghum stomatal components
编辑推荐：
专业术语翻译（摘要部分）：
针对气孔组分的实例分割任务，研究人员提出了一种半监督实例分割流程StomataSeg。该流程整合了基于图像块（patch）的预处理策略，以增强对微小气孔开孔结构的检测能力；利用实例级伪标签（pseudo-labelling）技术在
专业术语翻译（摘要部分）：
针对气孔组分的实例分割任务，研究人员提出了一种半监督实例分割流程StomataSeg。该流程整合了基于图像块（patch）的预处理策略，以增强对微小气孔开孔结构的检测能力；利用实例级伪标签（pseudo-labelling）技术在无需额外人工标注的情况下扩充训练数据；并构建了StomataSeg多类别数据集，包含67,488张标注的高粱（Sorghum bicolor (L.) Moench）叶片图像块。与仅基于基线模型训练的结果相比，该流程在气孔开孔区域的平均精度（average precision, AP）上实现了6%的提升。
论文解读文章（约1500字）：
**一、研究背景与问题**
高粱（Sorghum bicolor (L.) Moench）是全球干旱与半干旱地区重要的粮食、饲草及生物能源作物，其节水性和耐旱性对保障脆弱区域粮食安全具有重要意义。气孔是植物叶片表面调控气体交换、光合作用与蒸腾作用的微观孔隙，其密度、大小、开度及空间分布直接影响作物对环境胁迫的响应。因此，高通量、高精度的气孔性状解析是耐逆育种和水分利用效率改良的关键环节。然而，传统气孔分析依赖人工显微镜观察与手动测量，费时费力且主观性强，难以适应大规模表型鉴定需求。近年来，基于深度学习的自动化方法虽已应用于气孔检测与分割，但仍存在两类突出局限：一是针对气孔复合体及其嵌套结构（保卫细胞和开孔区域）的多类别、嵌套目标分割研究稀缺；二是密集掩膜标注成本极高，尤其对于开孔区域这类微小目标，获取高质量标注尤为困难。
**二、研究目标与意义**
针对上述问题，研究人员提出了一种面向高粱气孔组分的统一实例分割流程StomataSeg，旨在实现气孔复合体区域、保卫细胞区域和开孔区域三类嵌套结构的高精度同步分割。该研究的核心意义在于：通过图像块预处理与半监督伪标签扩充策略，显著降低人工标注依赖，同时提升微小开孔结构的可检测性，为高粱高通量气孔表型分析提供可行技术路径。论文发表在《Computers and Electronics in Agriculture》。
**三、主要技术方法**
研究人员采用的关键技术方法包括：（1）图像块（patch-based）预处理，将2592×1944像素的高分辨率显微原图切割为341×341像素的带重叠图像块，减少直接缩放造成的小结构信息损失；（2）半监督伪标签生成与扩充，以基于人工标注训练的Mask R-CNN（He et al., 2017）结合ConvNeXt-V2-Base骨干网络作为种子模型，对无标注图像进行实例级置信度预测，经类别特异性阈值过滤和专家审核后保留高质量伪标签；（3）构建StomataSeg多类别数据集，包含11,060张人工标注图像块和56,428张伪标签图像块，共67,488张，覆盖5个高粱基因型、叶片上/下表面及尖/中/基部区域。样本图像采集于澳大利亚昆士兰大学盖顿校区太阳编织温室，使用Dino-Lite Edge/5MP AM7515数字显微镜对活体植株叶片原位成像；另纳入80张由Prof Krishna Jagadish提供的形态相似显微图像补充无标注池。
**四、研究结果**
**（1）数据集特征与训练启示。** 数据集中气孔复合体、保卫细胞和开孔区域的实例数量与掩膜面积差异显著。开孔区域实例数量仅为复合体的约四分之一，掩膜覆盖率极低，构成典型小目标分割挑战。伪标签扩充使训练数据扩大5倍以上，且保留了无检测结果的空白图像块，增强了背景判别能力。
**（2）图像块预处理的分割性能提升。** 在语义分割基准中，最优mIoU从原图模式的65.93%提升至图像块模式的70.35%；在实例分割基准中，最优整体AP从28.30%提升至46.10%。其中开孔区域AP从近乎为零提升至35.40%（部分骨干网络下，详见原文表2、表3），证明图像块策略对微小结构检测具有关键作用。
**（3）半监督伪标签扩充的增益。** 以ConvNeXt-V2-Base、MambaVision-Tiny和Vision-RWKV-Tiny三种骨干分别训练种子模型，经伪标签扩充重新训练后，整体AP分别从46.10、48.70、48.90提升至49.20、49.70、49.80，平均提升1.67个百分点，开孔区域AP平均提升2.80个百分点。所有类别的AP均获得正向增益，且种子模型性能越低时伪标签扩充的增益越大。
**（4）与先进专用工具的比较。** 与LabelStoma（仅检测）和StomaVision（单类别分割）相比，StomataSeg整体AP达49.2%，显著高于StomaVision的31.6%，尤其在高尔基复合体（原文为complex area，指气孔复合体区域）和保卫细胞类别上优势明显。
**（5）与代表性半监督方法的比较。** 在相同数据划分和标注/伪标签数量下，StomataSeg整体AP为49.20%，优于FixMatch（46.80%）和MatchSeg（48.90%），并取得最高的开孔区域AP和复合体区域AP。消融实验表明，所设计的顺序式实例级伪标签流程优于一致性正则化与课程伪标签的联合训练变体。
**（6）阈值敏感性分析。** 使用Cascade Mask R-CNN（MambaVision-Tiny骨干）测试开孔、保卫细胞、复合体三类置信度阈值。最佳阈值组合（0.60、0.80、0.80）取得整体AP 49.70%；阈值过低引入噪声、过高丢失有效伪标签均导致AP下降，验证了类别特异性阈值设计的合理性。
**五、讨论与结论**
讨论部分指出，当前数据集来源单一物种，向其他物种、叶表或成像条件下的泛化性仍需验证；伪标签在困难案例中可能引入噪声，图像块模式虽提升分辨率但开孔区域检测可靠性仍低于较大结构。未来可通过跨域域自适应、少样本分割、损失值伪标签选择、大视觉语言模型微调及与下游性状提取模块对接等方式进一步扩展。
研究结论部分总结：在本研究中，研究人员开发了一种面向气孔图像的特异性分割框架，联合使用图像块预处理与半监督伪标签扩充策略，有效应对开孔检测、类别不平衡和标注成本等关键挑战。与仅基于人工标注图像块训练的基线模型相比，该框架在所有三类气孔组分的多类别实例分割中均取得显著提升，其中开孔区域平均精度提高约6%。基准测试表明，所提框架大幅优于传统全帧图像方法，为高通量气孔表型分析提供了可行路径；减少标注瓶颈并解决小目标类别不平衡问题能够有效增强模型性能。未来工作将扩展成像场景、探索大视觉语言模型及专用微调策略，并将分割结果整合至农业性状提取流程。
