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(nóng)業(yè)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(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，正因為如此，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(guī)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(guān)。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(fā)表。

2024年4月，Plant Phenomics 在線發(fā)表了河北農(nóng)業(yè)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(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(jīng)網(wǎng)絡(luò)和變壓器神經(jīng)網(wǎng)絡(luò)對根系的語義分割，SegFormer-UN（large）獲得了最佳評價指標，分割結(jié)果表明，對分割圖像中根系連接處的預(yù)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(shù)數(shù)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(jié)構(gòu)，并基于SegFormer模型。編碼器結(jié)構(gòu)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(jié)構(gòu)。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(jié)構(gòu)圖

圖3是樹根分割結(jié)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(xiàn)出不連續(xù)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(jié)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(tài)，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(xiàn)相對較好。

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)上自動計算衰老根顏色權(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(jié)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(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象。通過比較一般卷積神經(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(jié)果表明，對分割圖像中根系連接處的預(yù)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(nóng)業(yè)大學開發(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 | 利用深度學習技術(shù)實現(xiàn)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(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)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(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領(lǐng)域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。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(nóng)業(yè)實踐中的表型組學新應(yīng)用，與植物表型相結(jié)合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關(guān)的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2022影響因子為7.6，位于農(nóng)藝學、植物科學、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。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(lǐng)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(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
排版：蘇梓鈺（南京農(nóng)業(yè)大學）
審核：孔敏、王平