基于微根管图像的作物根系分割和表型信息提取

S24%TP391.4; 微根管法采集的作物根系图像具有复杂的土壤背景和较小的根系占比,当深度学习的感受野较小或多尺度特征融合不充分时,会导致根系边缘处的像素被错分为土壤.同时,微根管法的图像采集周期长且在初期很难采集到大量有效样本,限制了根系提取模型的快速部署.为提升根系表型测算精度和优化提取模型部署策略,该研究设计了一种原位自动根系成像系统以实时获取作物的微根管图像,构建全尺度跳跃特征融合机制,使用感受野丰富的U2-Net模型对微根管图像中的根系像素进行有效分类.结合数据增强以及迁移学习微调训练,实现对目标种类根系提取模型的快速部署.试验结果表明,使用加入全尺度跳跃特征融合机制的改进U2-...

Full description

Saved in:
Bibliographic Details
Published in农业工程学报 Vol. 40; no. 18; pp. 110 - 119
Main Authors 郑一力, 张振翔, 邢达, 刘卫平
Format Journal Article
LanguageChinese
Published 林业装备与自动化国家林业和草原局重点实验室,北京 100083 01.09.2024
北京林业大学工学院,北京 100083
林木资源高效生产全国重点实验室,北京 100083%北京林业大学工学院,北京 100083
Subjects
minirhizotron
transfer learning
微根管
根系表型
image segmentation
图像分割
迁移学习
蒜苗
root phenotype
U2-Net
garlic sprout
Online AccessGet full text
ISSN1002-6819
DOI10.11975/j.issn.1002-6819.202403138

Cover

More Information
Summary:S24%TP391.4; 微根管法采集的作物根系图像具有复杂的土壤背景和较小的根系占比,当深度学习的感受野较小或多尺度特征融合不充分时,会导致根系边缘处的像素被错分为土壤.同时,微根管法的图像采集周期长且在初期很难采集到大量有效样本,限制了根系提取模型的快速部署.为提升根系表型测算精度和优化提取模型部署策略,该研究设计了一种原位自动根系成像系统以实时获取作物的微根管图像,构建全尺度跳跃特征融合机制,使用感受野丰富的U2-Net模型对微根管图像中的根系像素进行有效分类.结合数据增强以及迁移学习微调训练,实现对目标种类根系提取模型的快速部署.试验结果表明,使用加入全尺度跳跃特征融合机制的改进U2-Net模型对蒜苗根系分割的Fl得分和交并比IoU分别为86.54％和 76.28％,相比改进前、U-Net、SegNet 和 DeeplabV3+_Resnet50 模型,F1 得分分别提高 0.66、5.51、8.67 和2.84个百分点;交并比分别提高1.02、8.18、12.52和4.31个百分点.迁移学习微调训练相比混合训练,模型的F1得分和交并比分别提高了 2.89和4.45个百分点.改进U2-Net模型分割图像的根系长度、面积和平均直径与手动标注结果的决定系数R2分别为0.965、0.966、0.830.研究结果可为提升基于微根管图像的根系表型测算精度和根系提取模型的快速部署提供参考.
ISSN:1002-6819
DOI:10.11975/j.issn.1002-6819.202403138