融合改进UNet和迁移学习的棉花根系图像分割方法
Root Image Segmentation Method Based on Improved UNet and Transfer Learning作者机构:河北农业大学 机电工程学院河北保定 071001中国 河北省教育考试院河北石家庄 050091中国 河北农业大学 农学院河北保定 071001中国
出 版 物:《智慧农业(中英文)》 (Smart Agriculture)
年 卷 期:2023年第5卷第3期
页 面:96-109页
核心收录:
学科分类:12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 082804[工学-农业电气化与自动化] 08[工学] 0828[工学-农业工程] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术(可授工学、理学学位)]
基 金:Central Guiding Local Science and Technology Development Fund Projects, (236Z7402G) State Key Laboratory of North China Crop Improvement and Regulation, (NCCIR2021ZZ-23) Top-notch Talent Plan Program of the Education Department of Hebei Province, (BJ2021058)
主 题:深度学习 根系图像分割 UNet 多尺度特征 迁移学习
摘 要:[目的/意义]根系是植物组成的重要部分,其生长发育至关重要.根系图像分割是根系表型分析的重要方法,受限于图像质量、复杂土壤环境、低效传统方法,根系图像分割存在一定挑战.[方法]为提高根系图像分割的准确性和鲁棒性,本研究以UNet模型为基础,提出了一种多尺度特征提取根系分割算法,并结合数据增强和迁移学习进一步提高改进UNet模型的泛化性和通用性.首先,获取棉花根系单一数据集和开源多作物混合数据集,基于单一数据集的消融试验测试多尺度特征提取模块(Conv_2+Add)的有效性,与UNet、PSPNet、SegNet、DeeplabV3Plus算法对比验证其优势.基于混合数据集验证改进算法(UNet+Conv_2+Add)在迁移学习的优势.[结果和讨论]UNet+Conv_2+Add相比其他算法(UNet、PSPNet、SegNet、DeeplabV3Plus),mIoU、mRecall和根系F1调和平均值分别为81.62%、86.90%和78.39%.UNet+Conv_2+Add算法的迁移学习相比于普通训练在根系的交并比(Intersection over Union,IoU)值提升1.25%,根系的Recall值提升1.79%,F1调和平均值提升0.92%,且模型的整体收敛速度快.[结论]本研究采用的多尺度特征提取策略能准确、高效地分割根系,为作物根系表型研究提供重要的研究基础.