基于MC-UNet自制番茄葉片病害的圖像分割方法研究
Plant Phenomics | 基于自制番茄葉片病害的圖像分割方法研究
番茄現在已經在全世界各地被廣泛種植，但在其生長過程中不可避免地會產生各種病蟲害。除了番茄果實上的病害，番茄葉片上的病害對番茄而言同樣也是一種威脅。若是防治不及時，將會導致減產甚至絕收。人們早先通過經驗主觀地判斷番茄病害所屬類型。但是這樣的方法分辨能力有限，不能準確地識別且耗時耗力。圖像處理技術經過長期發展，已經被廣泛的應用在各個方面，并且農業領域也漸漸興起。但是，隨著農業現代化發展朝著智能化方向不斷推進，傳統的圖像識別方法將無法應對復雜的現實情況。隨著計算機硬件設備性能的提升，將深度學習應用到農業生產中是未來農業的發展趨勢。深度學習通過引入卷積層、池化層、全連接層等操作，自動提取圖像特征，使得植物葉片病害識別有了突破性進展。快速、準確地識別番茄葉片病害并采取相應的防治措施，對保障作物生產、提高農民收入具有重要意義。
圖番茄葉片病害特征展示(在圖A中，由于光照，標記點邊緣細節模糊；在圖B中，標記部分的疾病較小)
2023年4月，Plant Phenomics在線發表了中南林業科技大學、國防科學技術大學、愛達荷州大學、湖南省植物保護研究所題為 An effective image-based tomato leaf disease segmentation method using MC-UNet的研究論文。
圖MC-UNet結構圖(A表示MC-UNet整體結構，B表示多尺度卷積模塊，C表示跨層注意力融合機制)
本研究基于UNet結構，提出一種采用MC-UNet的番茄葉片病害圖像分割方法。針對葉片邊緣模糊問題，設計了一種多尺度卷積結構。首先應用了多個卷積核來捕獲番茄葉片不同尺度的空間信息，后續的SE Module結構加強了網絡對病害部分的感知能力以及病害邊緣的表達能力。針對葉片微小病害的問題，提出了一種跨層注意力融合機制。在網絡的各層上引入門控結構，門控結構可以突出不同尺寸的病害區域。將門控結果融合輸出，以此綜合各層的病害特征信息。在自制的番茄葉片病害分割數據集上，我們將MC-UNet與現有的分割網絡進行對比，模型在參數量為6.67M的情況下達到了91.32%的準確率。
該研究由中南林業科技大學、國防科學技術大學、愛達荷州大學、湖南省植物保護研究所完成。中南林業科技大學鄧榆寶為該文第一作者，周國雄為該文通訊作者。相關工作得到長沙市自然科學基金、國家自然科學基金等資助。
周國雄 教授
論文鏈接：
https://doi.org/10.34133/plantphenomics.0049
——推薦閱讀——
https://doi.org/10.34133/2022/9803570
Plant Phenomics | SegVeg通過深度和淺層方法的結合將RGB圖像分割成綠色和衰老植被
Wheat Ear Segmentation Based on a Multisensor System and Superpixel Classification
https://doi.org/10.34133/2022/9841985
Plant Phenomics | 基于多傳感器系統和超像素分類的麥穗圖像分割
加入作者交流群
掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。
About Plant Phenomics
《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
特邀作者：周國雄
排版：張婕（南京農業大學）
審核：孔敏、王平
