提高叶片分割的准确性


发布时间:

2021-09-08

来源:

本站

作者:

PhenoTrait

  叶片的性状与植物的许多生物和物理过程密切相关,如光合作用、呼吸作用、蒸腾作用以及碳和养分循环等。然而,从计算机视觉的角度来看,单个叶片的分割和完整性状信息的提取仍然非常困难。在本研究中,作者提出了 LeafMask 神经网络,这是一种新的端到端模型,用于描绘每个叶子区域并计算叶子的数量。具有两个主要组成部分:1) 掩模组装模块合并每个预测的位置敏感基非最大抑制(NMS)后的框和相应的系数以生成原始掩码; 2)掩码细化模块通过点选择策略和预测器从掩码组装模块细化叶子边界。作者还为双重注意力引导掩模(DAG-Mask)分支设计了一种新颖灵活的多尺度注意力模块,以有效增强信息表达并产生更准确的基础。

 

  LeafMask 神经网络的主要结构如下:

 

 

  模型的主干和连接分别采用 ResNet101 和 FPN。 使用 FPN 功能,最先进的 FCOS 检测器可以预测边界框,包括分类、框回归和中心度。 DAG-Mask 分支由一个新提出的多尺度注意力模块和 DeepLab V3+ 解码器组成,用于在来自共享 FCOS 头部的每个检测到的叶子内生成原始分割掩码。 Mask组装模块将系数预测器和DAG-Mask分支的输出线性组合起来。 通过基于点选择策略选择一系列不确定点,掩模细化模块从粗粒度和细粒度特征中重新计算这些点,以生成最终的分割图像。

 

  本研究的主要贡献是通过在无锚实例分割范式下将掩码组装模块与掩码细化模块相结合来生成最终改进的掩码。通过将多尺度注意力模块插入 DAG-Mask 分支,将组装模块与系数预测器相结合,并添加掩码细化模块,模型达到了 90.09% 的 BestDice 分数,并在 CVPPA LSC 测试集中优于其他最先进的方法。

 

  图2 CVPPA LSC结果

 

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。