根在植物健康、适应环境变化和指示作物生长方面发挥着至关重要的作用。然而，由于难以获得清晰的原位根图像，研究根衰老具有挑战性。传统方法有局限性，虽然原位培养和先进成像技术提供了一些解决方案，但它们面临着成本高、图像质量低等问题。深度学习的最新进展，特别是SegNet和UNet等语义分割模型，改进了根识别，但仍需要进一步优化。

2024年3月，PlantPhenomics发表了一篇题为“ImprovedTransformerforTimeSeriesSenescentRootRecognition”的研究文章。本研究重点利用RhizoPot系统并探索根分割模型来增强根衰老识别，旨在填补高效、准确的根分析的空白，以更好地监测植物健康。

本文评估了八种分割模型，包括PSPNet、SegNet、UNet、DeeplabV3plus、TransUNet、SwinUNet、SETR，以及一种名为SegFormer-UN的新颖方法，统一训练了100个epoch。SegFormer-UN模型，特别是其“Small”版本，表现出卓越的性能，mIoU和mRecall率分别高达81.06%和86.29%，同时保持较低的计算需求(FLOP和Params)。

此外，SegFormer-UN的“大型”版本甚至优于此版本，具有最高记录的mIoU、mRecall和mF1分数。尽管更深的模型需要更多的计算资源，但这表明相对于传统方法和其他TransFormer神经网络有明显的进步。

通过消融研究进行的深入分析表明，与基本模型相比，单独改变上采样方法会降低性能指标，这凸显了优化分割精度的复杂性。然而，对解码器结构的修改，特别是采用UNet和DeeplabV3plus解码器，显示出不同的结果。SegFormer-UN通过显着提高准确性和减少计算负载而脱颖而出，证明了将高级解码器与模型架构集成的有效性。

此外，本文还探索了根衰老提取，展示了SegFormer-UN模型的能力，该模型可以利用GPU加速准确分类和快速提取衰老根。该方法显着优于传统的图像处理技术，将每张图像的处理时间从31分钟减少到约4分钟，并且尽管面临土壤颗粒遮挡的挑战，但仍能提供更精确的根系识别。

此外，利用降维和聚类对根衰老进行时间序列分析，表明衰老比例随着时间的推移而增加，这通过多项式拟合的高R平方值进行了验证。

总之，SegFormer-UN模型，特别是其在根分割和衰老提取中的应用，在准确性、效率和计算经济性方面表现出显着的进步。这项研究不仅为根分割模型树立了新的基准，而且强调了深度学习技术在农业研究中的潜力，特别是在理解根系及其衰老模式方面。

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：