根系在土壤中的生长和分布对植物的生长有重要影响，是影响作物生产的重要因素之一。然而，植物的根系位于黑暗封闭的土壤中。即使我们能够从复杂的土壤中获得高清晰的根系图像，土壤颗粒对根系的干扰以及它们之间微小的颜色差异也将对进一步的根系分割提出挑战。

　　以棉花成熟根系为研究对象。试验于2019年在黄河流域河北省保定市(38.85N，115.30E)河北农业大学实验站进行，试验设备如图1。

　　图1 图像采集装置的构造及实物。(a)图像采集装置(Epson Perception V39, Suwa, Japan);(b)和(c)棉花根系生长装置。

　　提出了一种基于注意机制(attention mechanism)的DeepLabv3+语义分割模型(AM-DeepLabv3+)，如图2，用于复杂土壤背景下棉花根系的分割。针对DeepLabv3+模型对图像分割任务拟合速度慢、目标边缘分割精度不足的问题，在模型中引入了一个简单有效的注意模块——卷积块注意模块(CBAM)。通过在编码器和解码器的连接部分添加CBAM模块，可以更好地传输根系的边缘和细微特征。特征，使DeepLabv3+编码器部分的特征提取更加准确高效。

　　图2 AM-DeepLabv3+网络模型

　　棉花成熟期根系分割实验结果显示，AM-DeepLabv3+模型比Sub-pixel-DeepLabv3+、U-Net、SegNet模型具有更高的分割精度和运算效率。AM-DeepLabv3+模型的精度值、召回值和F1-score分别为0.9971、0.9984和0.9937，161个未训练的根图像分割任务的IoU值为0.9875。AM-DeepLabv3+模型与U-Net、SegNet模型的分割结果如图3。

　　图3 棉花成熟期根系的分割结果。原始图像;U-Net;SegNet;(d) AM-DeepLabv3+

　　对早期棉花根系图像分割结果如图4，Sub-pixel-DeepLabv3+、U-Net模型和SegNet模型分割效果较差，AM-DeepLabv3+模型能够准确分割。

　　图4 早期棉花根系图像分割结果。(a)原始图像;(b) U-Net; (c) SegNet;;(d)Sub-pixel-DeepLabv3+;(e) AM-DeepLabv3+。

　　上述结果表明，所提出的AM-DeepLabv3+模型能够准确区分棉花根系和复杂土壤背景，分割效果良好。它可以实现棉花根系生长过程中早期和成熟期根系图像的精确分割，为植物根系分割的深度学习提供重要的理论价值和实际应用参考。

　　来源： Kang J, Liu L, Zhang F, et al. Semantic segmentation model of cotton roots in-situ image based on attention mechanism. Computers and Electronics in Agriculture, 189. https://doi.org/10.1016/j.compag.2021.106370

　　 编辑： 王春颖