融合改进UNet和迁移学习的棉花根系图像分割方法

[目的/意义]根系是植物组成的重要部分,其生长发育至关重要。根系图像分割是根系表型分析的重要方法,受限于图像质量、复杂土壤环境、低效传统方法,根系图像分割存在一定挑战。[方法]为提高根系图像分割的准确性和鲁棒性,本研究以UNet模型为基础,提出了一种多尺度特征提取根系分割算法,并结合数据增强和迁移学习进一步提高改进UNet模型的泛化性和通用性。首先,获取棉花根系单一数据集和开源多作物混合数据集,基于单一数据集的消融试验测试多尺度特征提取模块(Conv_2+Add)的有效性,与UNet、PSPNet、SegNet、DeeplabV3Plus算法对比验证其优势。基于混合数据集验证改进算法(UNet+Conv_2+Add)在迁移学习的优势。[结果和讨论] UNet+Conv_2+Add相比其他算法(UNet、PSPNet、SegNet、DeeplabV3Plus),mIoU、mRecall和根系F_1调和平均值分别为81.62%、86.90%和78.39%。UNet+Conv_2+Add算法的迁移学习相比于普通训练在根系的交并比(Intersection over Union,IoU)值提升1.25%,根系的Recall值提升1.79%,F_1调和平均值提升0.92%,且模型的整体收敛速度快。[结论]本研究采用的多尺度特征提取策略能准确、高效地分割根系,为作物根系表型研究提供重要的研究基础。

根据植物茎叶图像模拟根系图像的人工神经网络算法

以内蒙古野生甘草产区为试验地 ,采用图像关联的小波 -神经网络综合算法建立了甘草茎叶 -根系图像联结的 BP人工神经网络模型。该模型具有运算速度快 ,易于处理复杂图像数据的特点。通过植物茎叶图像对根系图像的模拟 ,实现块茎植物生物量数量化评估和农作物估产。

基于改进的灰色关联度的根系图像边缘检测

目的实现对植物根系形态基本参数的计算和分析。方法针对阵列分布内窥式图像获取技术采集的根系图像,提出一种改进的灰色关联度的边缘检测算法。该算法基于灰色关联分析理论,采用变权的邓式关联度模型,利用Sobel算子的2个模板作为参考序列,选取像素的八邻域分量值形成比较序列,通过两类序列之间的关联度实现边缘检测。结果仿真结果表明该算法与传统的边缘检测算子相比,能够较准确地检验出有用的根系边缘信息。结论基于Sobel算子的变权关联度的根系边缘检测算法有效地提高了边缘检测效果,具有一定的抗噪性能。

自然光成像条件下植物根系图像的增强方法研究

图像分割技术应用于植物根系特征提取,是近年来植物根系研究中的重要技术手段,而在图像分割前对图像进行预处理是非常重要的一个环节,其目的是在提取目标区域之前先去除掉一些干扰信号,进而起到增强图片质量的效果,方便后续进行图像特征的提取及分析。文章以在自然光成像条件下水稻根系的图片为研究对象,采用多种图像增强方法,对不同图像增强方法的增强效果进行了研究分析。

植物根系图像的预处理方法研究

通过无损检测技术提取生长在自然环境中植物根系特征,已成为近年来根系研究中的重要手段,图像分割技术是无损检测中的重要技术方法之一,图像分割的难点在于去除自然环境中的噪声干扰信号。想要精准的提取出根系的特征,在图像分割前对图像进行预处理是必要的步骤,本文针对自然光成像条件下采集到的植物根系图像,采用Gabor滤波和导向滤波对图像进行了预处理研究。

基于探地雷达的果树根系检测试验与分析

果树的根系健康与水果品质息息相关,如何检测根系的健康状况一直是果树养护管理领域的难题。探地雷达作为新兴的无损检测技术日益受到学术界和业界的重视。选择江南大学校内果园和江苏省苏州市吴中区东山镇双湾村果园内的枇杷和水蜜桃果树试样,利用探地雷达对试样进行根系检测试验,以评价探地雷达对果树根系检测的可行性。结果表明,通过分别设置900 MHz和400 MHz的天线频率,探地雷达能够获取果树试样的细根和粗根分布图,包括雷达信号波形图、三维总览图和分层密度图,根系图像准确地反映了果树地下根系分布状况,结果有助于果树健康风险评价和养护管理。