星海注册-首选链接水稻秧茎内部结构参数对水稻生长检测、水稻选种、育种和损伤检查具有重要意义。针对现有植物内部结构表征检测方法中存在的不可重复性和检测精度低的问题，本文提出了一种基于深度学习的水稻苗茎内部结构检测的非破坏性分割方法。我们利用标准的X射线CT成像技术获得水稻苗茎的无损断层图像，然后设计一个以Unet为骨干网络的类注意力增强多尺度分割模型（MCC-Net）。具体来说，提出的MCC-Net主要由三个核心部分组成：多尺度卷积块（MCB）、坐标空间注意（CSA）模块和类注意增强（CAE）模块。MCB是编码器的主要组件，用于提高模型对内部结构中不同大小区域的特征提取能力。CSA被嵌入到UNet跳过连接中，以增强有效特征的表达，并自动定位水稻秧苗茎部不同结构的区域。CAE旨在计算图像像素和类别之间的依赖关系，可以从类别的角度增强特征表达，纠正分割结果中的类别错误。实验结果表明，我们提出的MCC-Net模型在自建的水稻苗茎CT图像数据集上的MIOU、平均骰子系数和平均精度分别为92.56%、96.33%和96.59%。与几个最先进的模型相比，我们提出的模型在水稻秧苗的CT图像数据集上取得了更好的分割性能。