AWUNet:基于注意门和小波池化机制的叶面积分割


发布时间:

2023-01-09

来源:

植物表型资讯

作者:

PhenoTrait

叶面积的准确分割和检测对于植物生长自动监测具有重要意义,是农业生产中监测植物生长、产量、宽度和高度可持续性的最有效策略之一。胡萝卜植物的叶片分割是一项具有挑战性的任务,因为次生小叶引入了复杂的叶片形状变异性(图8)。
 
本文提出了一种新型的AWUNet (attention -gated Wavelet pooling UNet),如图1,它结合了减小特征图大小的小波池和聚焦特征图语义内容的注意门模块。利用注意门机制(图2)对现有u型网络模型中的跳跃连接进行重构以提高显著性,池化层利用小波函数进行压缩。为了提高AWUNet模型的精度,研究了超参数的有效性,如图3到图5。对提出的模型进行了评估,并与现有的方法(如UNet + +、Inception UNet、SAUNet和INCSA UNet)以及预训练的深度学习架构(如视觉几何组模型(如VGG16-UNet、VGG19-UNet,图6)和残余神经网络(ResNet) UNet(图7)进行了比较,如图9-11。
 
本文提出的AWUNet模型分割IoU(并交集)得分最高,为94.81%,而目前最先进的方法UNet、UNet + +、Inception UNet、SAUNet、INCSA UNet、VGG16 UNet、VGG19 UNet和ResNet UNet的IoU得分分别为86.29%、63.37%、45.26%、72.39%、89.30%、82.99%、85.16%和75.50%。研究结果表明,本文提出的AWUNet模型在植物叶面积分割方面优于其他模型,可用于农业部门的作物监测。
 

图1 AWUNet的总体架构。采用注意门控模块和小波池化层对跳接进行了改进

 

图2 在AWUNet模型中使用的注意门模块

 

图3 Mini-batch size比较

 

图4 训练AWUNet模型的优化器的比较

 

图5 研究中使用的各种优化器的骰子系数损失20230108AWUNet基于注意门 

 

图6 VGG UNet

 

图7 ResNet UNet

 

图8 样本示例

 

图9 用于消融研究的骰子系数损失比较

 

图10 a本文提出的AWUNet与其他方法的整体分割比较。b本文提出的AWUNet和其他方法的骰子系数损失

 

图11 分割结果与迁移学习UNet叶面积分割结果的比较a original image, b ground truth,c VGG16 UNet, d VGG19 UNet, e ResNet UNet, f UNet, g AWUNet;最先进的叶面积分割方法对分割结果的比较h original image, i ground truth, j UNet ++, k Inception UNet, l SAUNet, m INCSA UNet, n AWUNet

 

 

来 源

Banu, A.S., Deivalakshmi, S. AWUNet: leaf area segmentation based on attention gate and wavelet pooling mechanism. SIViP (2022). https://doi.org/10.1007/s11760-022-02403-z

 

编 辑

王春颖

 

扩展阅读

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。