绿色分数(GF)是农作物的一个关键光合作用性状，其准确测量通常依赖于RGB图像分析，采用分割算法来识别农作物内的绿色像素。由于环境差异，传统方法的准确性受到限制，而先进的深度学习技术(如SegVeg模型)虽然有所改进，但并未充分利用最新的视觉转换器模型。

应用这些最先进技术的一个重大挑战是缺乏用于植物表型分析的全面、带注释的数据集。尽管合成图像生成提供了部分解决方案，但解决合成图像与实场图像之间的真实性差距仍然是未来研究提高GF估计准确性的关键领域。

2023年7月，PlantPhenomics发表了一篇研究文章，题为“增强绿色分数估计水稻和小麦作物：一种自监督深度学习语义分割方法。”

在本研究中，目的是考虑到水稻和小麦的对比田地背景，增强用于水稻和小麦RGB图像语义分割的自监督植物表型分析流程。

该方法涉及三个主要步骤：

从不同地点收集真实的原位图像及其手动注释，并使用数字植物表型平台(D3P)生成带有标签的模拟图像。

应用CycleGAN域适应方法来最小化模拟(sim)和真实数据集之间的域差距，创建模拟到现实(sim2real)数据集。

评估在real、sim和sim2real数据集上训练的三种深度学习模型(U-Net、DeepLabV3+和SegFormer)，比较它们在像素和图像尺度上的性能，重点关注绿色分数(GF)估计。

结果表明，通过CycleGAN进行的域适应有效地弥合了模拟图像和真实图像之间的差距，植物纹理和土壤背景的真实感提高以及sim2real和真实图像之间的欧几里得距离的减小就证明了这一点。

像素级分割表明，U-Net和SegFormer的性能优于DeepLabV3+，尤其是在sim2real数据集上训练时，SegFormer表现出最高的F1分数和准确性。对于水稻和小麦作物来说，这一趋势是一致的。

sim2real数据集在GF估计中实现了最佳性能，显示了模拟数据集和真实数据集之间的接近结果，特别是对于小麦。该研究还利用在sim2real数据集上训练的性能最佳模型SegFormer来探索GF动态，有效捕获水稻和小麦的生长阶段，从而表明准确的GF估计。

该研究还确定了影响估计不确定性的关键因素，例如图像中的亮度不均匀和衰老叶子的存在。管道的自我监督性质，不需要人工标签进行训练，被强调为图像注释中的显着节省时间。

总体而言，研究表明SegFormer在sim2real数据集上训练的表现优于其他模型，凸显了自我监督方法在语义方面的有效性植物表型分割。

该方法的成功为进一步研究增强模拟图像的真实感以及应用更复杂的域适应模型在整个作物生长周期中准确估计GF开辟了道路。

版权说明：本站所有作品图文均由用户自行上传分享，仅供网友学习交流。若您的权利被侵害，请联系我们

标签：