融合改进UNet 和迁移学习的棉花根系图像分割方法

分类： 统计学 >> 社会统计学 提交时间： 2023-12-04 合作期刊: 《智慧农业（中英文）》

唐辉 王铭 于秋实 张佳茜 刘连涛 王楠

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。

 点击量 543  下载量 111  评论