Plant Phenomics | 河北農(nóng)業(yè)大學(xué)基于改進(jìn)Transformer的時(shí)間序列進(jìn)行根系衰老識(shí)別

根系由細(xì)根及其根毛組成，是吸收土壤養(yǎng)分和水分的關(guān)鍵組織，直接影響根系的功能。根與土壤直接接觸，正因?yàn)槿绱�，它的特征比地上植物更能適應(yīng)環(huán)境變化，從而清楚地表明作物是如何生長(zhǎng)的。根系衰老是影響地上部衰老過(guò)程的重要根系性狀。此外，探索根系衰老規(guī)律是揭示地上植物衰老的一個(gè)重要方面。根系表型特征與根系功能密切相關(guān)。然而，基于深度學(xué)習(xí)的高通量原位根系衰老特征提取方法尚未發(fā)表。

2024年4月，Plant Phenomics 在線發(fā)表了河北農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院團(tuán)隊(duì)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(jīng)網(wǎng)絡(luò)的棉花原位根系衰老特征提取技術(shù)。研究的主要對(duì)象是具有不同衰老程度的高分辨率原位根系圖像。通過(guò)比較一般卷積神經(jīng)網(wǎng)絡(luò)和變壓器神經(jīng)網(wǎng)絡(luò)對(duì)根系的語(yǔ)義分割，SegFormer-UN（large）獲得了最佳評(píng)價(jià)指標(biāo)，分割結(jié)果表明，對(duì)分割圖像中根系連接處的預(yù)測(cè)更為準(zhǔn)確。與基于深度學(xué)習(xí)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(shí)別算法的參數(shù)數(shù)為 581 萬(wàn)，運(yùn)行速度快，每幅圖像約需 4 分鐘。它能準(zhǔn)確識(shí)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(jié)構(gòu)，并基于SegFormer模型。編碼器結(jié)構(gòu)首先通過(guò) 4 個(gè)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(gè)塊的輸出特征圖，以便在解碼器中進(jìn)行特征融合。編碼器和解碼器都有 4 層，并且是對(duì)稱的。解碼過(guò)程需要拼接變換器塊的輸出特征圖，利用卷積進(jìn)行融合，然后進(jìn)行上采樣，以完成圖像的降級(jí)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(jié)構(gòu)。該模型使用兩個(gè)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(jié)構(gòu)圖

圖3是樹根分割結(jié)果，我們改進(jìn)的方法能更有效地處理根系的邊界（如圖3中藍(lán)色方框所示）。SegFormer-UN可以識(shí)別并連接低對(duì)比度的根系，并識(shí)別出越來(lái)越多的完整根系，而其他模型在根系識(shí)別方面表現(xiàn)出不連續(xù)性，有些模型無(wú)法識(shí)別某些根系。然而，在處理嚴(yán)重土壤顆粒閉塞問(wèn)題時(shí)，上述所有模型的結(jié)果都不理想。由于土壤顆粒遮擋嚴(yán)重，一些根系處于模糊不清的狀態(tài)，使得所有分割模型都難以準(zhǔn)確識(shí)別根系。不過(guò)，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(xiàn)相對(duì)較好。

圖3 樹根分割結(jié)果

圖4利用SegFormer-UN模型，可在注釋圖像的基礎(chǔ)上自動(dòng)計(jì)算衰老根顏色權(quán)重，從而獲得比圖像處理更好的根提取性能（處理時(shí)間和圖像識(shí)別）。小塊分類錯(cuò)誤的根系被修正后不會(huì)影響整體根系分類。因此，從像素角度來(lái)看，修正后的老化根系識(shí)別結(jié)果更加準(zhǔn)確。訓(xùn)練和推理配置與根系分割的配置相同。

圖4 時(shí)間序列衰老根與矯正結(jié)果

本文提出了一種基于變壓器神經(jīng)網(wǎng)絡(luò)的棉花原位根衰老特征提取技術(shù)。不同衰老程度的高分辨率原位根圖片是研究的主要對(duì)象。通過(guò)比較一般卷積神經(jīng)網(wǎng)絡(luò)和變壓器神經(jīng)網(wǎng)絡(luò)對(duì)根系的語(yǔ)義分割，SegFormer-UN（large）獲得了最佳評(píng)價(jià)指標(biāo)，mIoU、mRecall、mPrecision 和 mF1 指標(biāo)值分別為 81.52%、86.87%、90.98% 和 88.81%。分割結(jié)果表明，對(duì)分割圖像中根系連接處的預(yù)測(cè)更為準(zhǔn)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(nóng)業(yè)大學(xué)開發(fā)植物根部研究新工具：CycleGAN生成器的創(chuàng)新應(yīng)用
Fast and Efficient Root Phenotyping via Pose Estimation
‍https://doi.org/10.34133/plantphenomics.0175‍
Plant Phenomics | 利用深度學(xué)習(xí)技術(shù)實(shí)現(xiàn)地標(biāo)的快速檢測(cè)與分組，為根表型分析提供高效無(wú)縫的解決方案

加入作者交流群
掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、專刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

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(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)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(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄�？祁Ｎò睯CR2022影響因子為7.6，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目、2024年入選江蘇科技期刊卓越行動(dòng)計(jì)劃領(lǐng)軍期刊項(xiàng)目。

說(shuō)明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
排版：蘇梓鈺（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平