基于改進變壓器的時間序列進行棉花原位根系衰老識別的研究
Plant Phenomics | 河北農業大學基于改進Transformer的時間序列進行根系衰老識別
根系由細根及其根毛組成，是吸收土壤養分和水分的關鍵組織，直接影響根系的功能。根與土壤直接接觸，正因為如此，它的特征比地上植物更能適應環境變化，從而清楚地表明作物是如何生長的。根系衰老是影響地上部衰老過程的重要根系性狀。此外，探索根系衰老規律是揭示地上植物衰老的一個重要方面。根系表型特征與根系功能密切相關。然而，基于深度學習的高通量原位根系衰老特征提取方法尚未發表。
2024年4月，Plant Phenomics 在線發表了河北農業大學機電工程學院團隊題為Improved Transformer for Time Series Senescence Root Recognition的論文。
本文提出了一種基于Transformer神經網絡的棉花原位根系衰老特征提取技術。研究的主要對象是具有不同衰老程度的高分辨率原位根系圖像。通過比較一般卷積神經網絡和變壓器神經網絡對根系的語義分割，SegFormer-UN（large）獲得了最佳評價指標，分割結果表明，對分割圖像中根系連接處的預測更為準確。與基于深度學習和圖像處理的兩種棉花根系衰老提取算法相比，使用 SegFormer-UN 模型的原位根系衰老識別算法的參數數為 581 萬，運行速度快，每幅圖像約需 4 分鐘。它能準確識別圖像中的衰老根。
圖1 本研究總體工作流程
圖2是U 型編碼器和解碼器結構，并基于SegFormer模型。編碼器結構首先通過 4 個變換塊提取特征，每次提取后將特征圖的大小減半，并保存每個塊的輸出特征圖，以便在解碼器中進行特征融合。編碼器和解碼器都有 4 層，并且是對稱的。解碼過程需要拼接變換器塊的輸出特征圖，利用卷積進行融合，然后進行上采樣，以完成圖像的降級和維度化。圖像的逐像素分類最終由分割頭完成，圖 3 描述了模型的整體結構。該模型使用兩個不同的骨架（小骨架和大骨架），其深度各不相同，大骨架的模型層比小骨架的模型層深。
圖2模型的整體結構圖
圖3是樹根分割結果，我們改進的方法能更有效地處理根系的邊界（如圖3中藍色方框所示）。SegFormer-UN可以識別并連接低對比度的根系，并識別出越來越多的完整根系，而其他模型在根系識別方面表現出不連續性，有些模型無法識別某些根系。然而，在處理嚴重土壤顆粒閉塞問題時，上述所有模型的結果都不理想。由于土壤顆粒遮擋嚴重，一些根系處于模糊不清的狀態，使得所有分割模型都難以準確識別根系。不過，與其他模型相比，本研究提出的模型以及SwinUNet和TransUNet在分割模糊根系方面的表現相對較好。
圖3 樹根分割結果
圖4利用SegFormer-UN模型，可在注釋圖像的基礎上自動計算衰老根顏色權重，從而獲得比圖像處理更好的根提取性能（處理時間和圖像識別）。小塊分類錯誤的根系被修正后不會影響整體根系分類。因此，從像素角度來看，修正后的老化根系識別結果更加準確。訓練和推理配置與根系分割的配置相同。
圖4 時間序列衰老根與矯正結果
本文提出了一種基于變壓器神經網絡的棉花原位根衰老特征提取技術。不同衰老程度的高分辨率原位根圖片是研究的主要對象。通過比較一般卷積神經網絡和變壓器神經網絡對根系的語義分割，SegFormer-UN（large）獲得了最佳評價指標，mIoU、mRecall、mPrecision 和 mF1 指標值分別為 81.52%、86.87%、90.98% 和 88.81%。分割結果表明，對分割圖像中根系連接處的預測更為準確。
論文鏈接：
https://doi.org/10.34133/plantphenomics.0159
——推薦閱讀——
In Situ Root Dataset Expansion Strategy Based on an Improved CycleGAN Generator
https://doi.org/10.34133/plantphenomics.0148
Plant Phenomics | 河北農業大學開發植物根部研究新工具：CycleGAN生成器的創新應用
Fast and Efficient Root Phenotyping via Pose Estimation
https://doi.org/10.34133/plantphenomics.0175
Plant Phenomics | 利用深度學習技術實現地標的快速檢測與分組，為根表型分析提供高效無縫的解決方案
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。
添加小編微信，備注姓名+單位+PP，加入作者交流群
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為7.6，位于農藝學、植物科學、遙感一區。2023年中科院期刊分區位于農林科學大類一區。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
排版：蘇梓鈺（南京農業大學）
審核：孔敏、王平
