引用格式
引用格式：樊江川, 王源桥, 苟文博, 蔡双泽, 郭新宇, 赵春江. 基于实例分割技术的草莓叶龄及冠幅表型快速提取方法[J]. 智慧农业(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
官网全文免费阅读
知网阅读
基于实例分割技术的草莓叶龄及冠幅表型快速提取方法
樊江川 1，2，4 ， 王源桥 2，3 ， 苟文博 2，4 ， 蔡双泽 2 ， 郭新宇 2* ， 赵春江 2*
（1.中国农业大学 信息与电气工程学院，北京 100083，中国；2.国家农业信息化工程技术研究中心/北京市农林科学院信息技术研究中心/数字植物北京市重点实验室，北京 100097，中国；3.西北农林科技大学 信息工程学院，陕西杨陵 712100，中国；4.北京派得伟业科技发展有限公司，北京 100097，中国）
摘要：
［目的/意义］ 为解决高通量草莓叶龄及冠幅提取问题，提出一种基于移动式表型平台和实例分割技术的高通量表型提取方法。［方法］利用小型移动式表型平台对温室内盆栽草莓植株的俯拍图像进行数据获取，并利用改进型Mask R-CNN（Convolutional Neural Network）模型对图像进行处理，以此获取草莓植株叶龄信息。首先利用带有分组注意力模块的Split-Attention Networks（ResNeSt）骨干网络替换原有网络，从而提高图像特征信息提取精度和执行效率。在训练时，利用Mosaic方法对草莓图像进行数据增强，并且使用二元交叉熵损失函数对原本的交叉熵分类损失函数进行优化，以达到更好的植株与叶片的检测准确度。在此基础上，对训练结果进行后处理，利用标定比值对冠幅进行计算。
［结果和讨论］ 该方法能够在ResNeSt-101骨干网络下，实现80.1%的掩膜准确率和89.6%的检测框准确率，并且能够以99.3%的植株检测正确率和98.0%的叶片数量检出率实现高通量的草莓叶龄估算工作。而模型推理后草莓植株南北和东西向冠幅测试值与真实值相比误差均低于5%的约占98.1%。 ［结论］ 该方法有着较高的鲁棒性，能够为智慧农业下高通量植物表型获取与解析工作提供技术支持。
关键词： 移动式表型平台；实例分割；草莓表型；叶龄统计；冠幅；Mask R-CNN；ResNeSt
1
文章图片
图1 移动式表型平台结构及实验运行状态
Fig. 1 Mobile phenotype platform structure and experimental operation status
图2 草莓叶龄标注、分类及验证统计情况图例
Fig. 2 Legend of strawberry leaf age labeling， classification， and validation statistics
图3 数据预处理方式与Mosaic数据扩增
Fig. 3 Data pre-processing methods and Mosaic
data amplification
图4 改进型Mask R-CNN模型结构示意图
Fig. 4 Schematic diagram of our Mask R-CNN model structure
图5 RoI Align利用浮点数处理特征向量边缘
Fig. 5 RoI Align utilizes floating-point numbers to process feature vector edges
图6 草莓图像处理研究中植株与叶片实例分割与表型参数统计结果展示
Fig. 6 Display of plant and leaf instance segmentation and phenotypic parameter statistics in strawberry image processing research
图7 草莓图像处理实验中改进型Mask R-CNN模型与原始模型准确率和训练损失率曲线对比
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
图8 草莓叶龄统计实验中未能检测出的叶片原因分析
Fig. 8 Analysis of the reasons for undetectable blades
in the strawberry leaf age statistical experiment
图9 草莓图像处理研究中不同模型结果对比图
Fig. 9 Comparison of results of different models in strawberry image processing research
作者简介
赵春江 院士
赵春江，研究员，中国工程院院士。现任北京农业信息技术研究中心首席科学家，【智慧农业（中英文）】主编，农产品质量安全追溯技术及应用国家工程实验室主任、农业部农业信息技术重点实验室主任。主要从事农业信息技术与精准农业技术体系研究。入选国家级百千万人才工程，全国杰出专业技术人才，全国农业科研杰出人才，北京学者，北京市高创计划，农业科研杰出人才及其创新团队科技部创新人才推进计划，科技北京百名领军人才，科技北京百名领军人才培养工程等人才项目；曾获得联合国联合国世界信息峰会奖、美国农学会滕头农业科学奖，国务院政府特殊津贴，全国创新争先奖，全国「五一」劳动奖章，全国先进工作者，全国农业科技先进工作者，全国优秀科技工作者，中国青年科技奖， 「十一五」国家科技计划执行突出贡献奖，国家973计划先进个人，国家863计划突出贡献奖，中国农业信息化十大年度人物，中国软件行业十大杰出青年，中华农业英才奖，首都农业科技先进工作者，北京市有突出贡献的科学、技术、管理专家等荣誉称号。获得国家科技进步二等奖4项，省部级科技奖励26项，以第一完成人授权PCT1项、发明专利80余项，以第一和通讯作者发表论文300余篇，主编出版著作16部。
郭新宇 研究员
郭新宇，男，博士，国家农业信息化工程技术研究中心研究员，博士生导师。现任北京市农林科学院数字植物北京市重点实验室主任，中国生物技术学会作物表型专业委员会委员、中国仿真学会第一届农业建模与仿真专业委员会委员、中国农学会农业信息分会委员。主要从事数字植物理论技术体系构建、作物表型信息获取与多重组学分析、作物数字化设计与模拟决策研究工作。先
