參照格式
參照格式：樊江川, 王源橋, 茍文博, 蔡雙澤, 郭新宇, 趙春江. 基於例項分割技術的草莓葉齡及冠幅表型快速提取方法[J]. 智慧農業(中英文), 2024, 6(2): 95-106.
DOI：10.12133/j.smartag.SA202310014
Citation:FAN Jiangchuan, WANG Yuanqiao, GOU Wenbo, CAI Shuangze, GUO Xinyu, ZHAO Chunjiang. Fast Extracting Method for Strawberry Leaf Age and Canopy Width Based on Instance Segmentation Technology[J]. Smart Agriculture, 2024, 6(2): 95-106.
DOI：10.12133/j.smartag.SA202310014
官網全文免費閱讀
知網閱讀
基於例項分割技術的草莓葉齡及冠幅表型快速提取方法
樊江川 1，2，4 ， 王源橋 2，3 ， 茍文博 2，4 ， 蔡雙澤 2 ， 郭新宇 2* ， 趙春江 2*
（1.中國農業大學 資訊與電氣工程學院，北京 100083，中國；2.國家農業資訊化工程技術研究中心/北京市農林科學院資訊科技研究中心/數位植物北京市重點實驗室，北京 100097，中國；3.西北農林科技大學 資訊工程學院，陜西楊陵 712100，中國；4.北京派得偉業科技發展有限公司，北京 100097，中國）
摘要：
［目的/意義］ 為解決高通量草莓葉齡及冠幅提取問題，提出一種基於移動式表型平台和例項分割技術的高通量表型提取方法。［方法］利用小型移動式表型平台對溫室內盆栽草莓植株的俯拍影像進行數據獲取，並利用改進型Mask R-CNN（Convolutional Neural Network）模型對影像進行處理，以此獲取草莓植株葉齡資訊。首先利用帶有分組註意力模組的Split-Attention Networks（ResNeSt）骨幹網路替換原有網路，從而提高影像特征資訊提取精度和執行效率。在訓練時，利用Mosaic方法對草莓影像進行數據增強，並且使用二元交叉熵損失函式對原本的交叉熵分類損失函式進行最佳化，以達到更好的植株與葉片的檢測準確度。在此基礎上，對訓練結果進行後處理，利用標定比值對冠幅進行計算。
［結果和討論］ 該方法能夠在ResNeSt-101骨幹網路下，實作80.1%的掩膜準確率和89.6%的檢測框準確率，並且能夠以99.3%的植株檢測正確率和98.0%的葉片數量檢出率實作高通量的草莓葉齡估算工作。而模型推理後草莓植株南北和東西向冠幅測試值與真實值相比誤差均低於5%的約占98.1%。 ［結論］ 該方法有著較高的魯棒性，能夠為智慧農業下高通量植物表型獲取與解析工作提供技術支持。
關鍵詞： 移動式表型平台；例項分割；草莓表型；葉齡統計；冠幅；Mask R-CNN；ResNeSt
1
文章圖片
圖1 移動式表型平台結構及實驗執行狀態
Fig. 1 Mobile phenotype platform structure and experimental operation status
圖2 草莓葉齡標註、分類及驗證統計情況圖例
Fig. 2 Legend of strawberry leaf age labeling， classification， and validation statistics
圖3 數據預處理方式與Mosaic數據擴增
Fig. 3 Data pre-processing methods and Mosaic
data amplification
圖4 改進型Mask R-CNN模型結構示意圖
Fig. 4 Schematic diagram of our Mask R-CNN model structure
圖5 RoI Align利用浮點數處理特征向量邊緣
Fig. 5 RoI Align utilizes floating-point numbers to process feature vector edges
圖6 草莓影像處理研究中植株與葉片例項分割與表型參數統計結果展示
Fig. 6 Display of plant and leaf instance segmentation and phenotypic parameter statistics in strawberry image processing research
圖7 草莓影像處理實驗中改進型Mask R-CNN模型與原始模型準確率和訓練損失率曲線對比
Fig. 7 Comparison of accuracy and training loss curves between the improved Mask R-CNN model and the original model in strawberry image processing experiments
圖8 草莓葉齡統計實驗中未能檢測出的葉片原因分析
Fig. 8 Analysis of the reasons for undetectable blades
in the strawberry leaf age statistical experiment
圖9 草莓影像處理研究中不同模型結果對比圖
Fig. 9 Comparison of results of different models in strawberry image processing research
作者簡介
趙春江 院士
趙春江，研究員，中國工程院院士。現任北京農業資訊科技研究中心首席科學家，【智慧農業（中英文）】主編，農產品品質安全追溯技術及套用國家工程實驗室主任、農業部農業資訊科技重點實驗室主任。主要從事農業資訊科技與精準農業技術體系研究。入選國家級百千萬人才工程，全國傑出專業技術人才，全國農業科研傑出人才，北京學者，北京市高創計劃，農業科研傑出人才及其創新團隊科技部創新人才推進計劃，科技北京百名領軍人才，科技北京百名領軍人才培養工程等人才計畫；曾獲得聯合國聯合國世界資訊峰會獎、美國農學會滕頭農業科學獎，國務院政府特殊津貼，全國創新爭先獎，全國「五一」勞動獎章，全國先進工作者，全國農業科技先進工作者，全國優秀科技工作者，中國青年科技獎， 「十一五」國家科技計劃執行突出貢獻獎，國家973計劃先進個人，國家863計劃突出貢獻獎，中國農業資訊化十大年度人物，中國軟體行業十大傑出青年，中華農業英才獎，首都農業科技先進工作者，北京市有突出貢獻的科學、技術、管理專家等榮譽稱號。獲得國家科技進步二等獎4項，省部級科技獎勵26項，以第一完成人授權PCT1項、發明專利80余項，以第一和通訊作者發表論文300余篇，主編出版著作16部。
郭新宇 研究員
郭新宇，男，博士，國家農業資訊化工程技術研究中心研究員，博士生導師。現任北京市農林科學院數位植物北京市重點實驗室主任，中國生物技術學會作物表型專業委員會委員、中國仿真學會第一屆農業建模與仿真專業委員會委員、中國農學會農業資訊分會委員。主要從事數位植物理論技術體系構建、作物表型資訊獲取與多重組學分析、作物數位化設計與模擬決策研究工作。先
