引用格式：唐辉,王铭,于秋实,张佳茜,刘连涛,王楠.融合改进UNet和迁移学习的棉花根系图像分割方法[J].智慧农业(中英文),2023,5(3):96-109.
DOI：10.12133/
TANGHui,WANGMing,YUQiushi,ZHANGJiaxi,LIULiantao,ng[J].SmartAgriculture,2023,5(3):96-109.
DOI：10.12133/
官网全文免费阅读
知网阅读
融合改进UNet和迁移学习的棉花根系图像分割方法
唐辉1，王铭2，于秋实1，张佳茜1，刘连涛3，王楠1*
（1.河北农业大学机电工程学院，河北保定071001，中国；2.河北省教育考试院，河北石家庄050091，中国；3.河北农业大学农学院，河北保定071001，中国）
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（IntersectionoverUnion，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。
关键词：深度学习；根系图像分割；UNet；多尺度特征；迁移学习
图1单一数据集棉花根系图像获取装置
图2单一数据集棉花局部根系标注示例
图3模型训练的原始图像及4种不同的数据增强方法结果
hancementmethods
图4改进UNet模型的整体结构
图5根系分割算法研究技术路线
图6根系图像分割消融实验各种改进模型的损失
mentation
图7对比试验的各模型分割结果图像
ents
图8对比试验的各模型对比结果细节小图
ts
图9改进模型（UNet+Conv_2+Add）和原始模型在普通训练和迁移学习下的损失
（UNet+Conv_2+Add）andtheoriginalmodelunderordinarytrainingandtransferlearning
图10改进模型（UNet+Conv_2+Add）的迁移学习分割结果
（UNet+Conv_2+Add）
王楠副教授
王楠，河北农业大学机电工程学院，副教授。从事机器视觉、图像处理及模式识别方面的研究，主持省部级科研课题2项，参与国家级项目3项，近年发表学术论文10余篇。
智慧农业微信交流服务群
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。入群方法：加小编，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。
发布征集
欢迎在我公众号发布科研团队介绍、创新科研成果及相关活动等信息。
免责声明：本文章如果文章侵权，请联系我们处理，本站仅提供信息存储空间服务如因作品内容、版权和其他问题请于本站联系