基于AISOA-SSformer的有效水稻葉病圖像分割方法研究

Plant Phenomics | 中南林業(yè)科技大學(xué)周國雄教授團(tuán)隊(duì)基于AISOA-SSformer的有效水稻葉病圖像分割方法

水稻葉病害嚴(yán)重影響現(xiàn)代農(nóng)業(yè)，威脅著作物健康和產(chǎn)量。準(zhǔn)確的語義分割技術(shù)對(duì)于分割患病葉片部分和幫助農(nóng)民識(shí)別病害至關(guān)重要。然而，當(dāng)前水稻葉病分割過程中存在三個(gè)主要挑戰(zhàn)：（1）水稻葉病圖像中形狀不規(guī)則的斑點(diǎn)病葉往往具有復(fù)雜的紋理和形狀。這種復(fù)雜性使得分割模型難以準(zhǔn)確識(shí)別和分離，從而影響其精度。（2）雜亂的背景元素，例如其他植物、土壤或雜草，會(huì)干擾模型的判斷。這種干擾可能導(dǎo)致誤將背景噪聲無關(guān)元素識(shí)別為患病區(qū)域，從而導(dǎo)致錯(cuò)誤分割。（3）患病圖像中的邊緣模糊問題會(huì)嚴(yán)重影響分割網(wǎng)絡(luò)的性能。有時(shí)，這個(gè)問題會(huì)導(dǎo)致分割結(jié)果出現(xiàn)錯(cuò)誤，例如將健康葉片區(qū)域錯(cuò)誤標(biāo)記為患病。

2024年8月，Plant Phenomics 在線發(fā)表了中南林業(yè)科技大學(xué)周國雄教授團(tuán)隊(duì)題為AISOA-SSformer: An effective image segmentation method for rice leaf disease based on Transformer architecture 的研究論文。

通過解決這些問題，我們可以增加模型對(duì)大量標(biāo)記數(shù)據(jù)訓(xùn)練的穩(wěn)定性，同時(shí)顯著提高水稻葉片病害分割的效率和準(zhǔn)確性，從而更有效地應(yīng)對(duì)農(nóng)業(yè)生產(chǎn)中的實(shí)際挑戰(zhàn)。

圖1 水稻葉片病害分割的問題示例

針對(duì)稻葉病害分割的挑戰(zhàn)，本文提出了一種名為 AISOA-SSformer 的新模型，它集成了三個(gè)創(chuàng)新點(diǎn)來提升模型性能和穩(wěn)定性。首先，引入稀疏全局更新感知器 （SGUP） 動(dòng)態(tài)調(diào)整權(quán)重，提高模型識(shí)別不規(guī)則病害特征的穩(wěn)定性。其次，引入顯著特征注意力機(jī)制（SFAM）利用空間重建模塊（SRM）和通道重建模塊 （CRM）降低背景干擾，讓模型更精準(zhǔn)分割病害區(qū)域。最后，采用退火集成麻雀優(yōu)化算法（AISOA）幫助模型跳出局部最優(yōu)，提升模糊邊界特征識(shí)別能力。這三個(gè)技術(shù)的結(jié)合顯著提升了模型在復(fù)雜場(chǎng)景下的分割性能。

圖2 提出的AISOA-SSformer模型的網(wǎng)絡(luò)結(jié)構(gòu)圖

創(chuàng)新點(diǎn)如下：

(1) 為了使語義分割網(wǎng)絡(luò)獲得豐富的水稻葉片病害特征，我們構(gòu)建了一個(gè)包含通病和褐斑病的精確標(biāo)注數(shù)據(jù)集。利用 Labelme 軟件對(duì)數(shù)據(jù)集中的所有病害區(qū)域進(jìn)行標(biāo)注，并生成標(biāo)注圖。

(2) 針對(duì)上述問題，我們提出了一個(gè)名為 AISOA-SSformer 的新模型，該模型集成了三個(gè)創(chuàng)新改進(jìn)點(diǎn)，以提高模型的性能和穩(wěn)定性。首先，該模型引入了一個(gè)名為“稀疏全局更新感知器（SGUP）”的線性嵌入層，結(jié)合指數(shù)移動(dòng)平均法（EMA）和加權(quán)移動(dòng)平均法（WMA），通過動(dòng)態(tài)調(diào)整權(quán)重，提高模型識(shí)別不規(guī)則病害特征的穩(wěn)定性。其次，我們開發(fā)了一種新穎的注意力顯著特征關(guān)注機(jī)制（SFAM），利用空間重構(gòu)模塊（SRM）和通道重構(gòu)模塊（CRM）降低背景干擾，提高病害區(qū)域分割精度。最后，我們引入了一種新的優(yōu)化算法--退火集成麻雀優(yōu)化算法（AISOA），幫助模型避免陷入局部最優(yōu)，增強(qiáng)對(duì)模糊邊界特征的識(shí)別，提高訓(xùn)練過程穩(wěn)定性和模型魯棒性。

(3) 本文提出的基于 Segformer 的 AISOA-SSformer 在自建數(shù)據(jù)集上獲得了 83.1% 的 MIoU 和 80.3% 的 Dice Coefficient。該方法能有效提取背景復(fù)雜、形狀不規(guī)則的水稻葉病特征。對(duì)于邊緣模糊的水稻葉部病害，該方法也能有效區(qū)分和分割�？傊�，該方法能夠準(zhǔn)確地分割水稻葉部病害，為水稻大規(guī)模生產(chǎn)中的病害防治提供參考。

論文鏈接：‍https://doi.org/10.34133/plantphenomics.0218‍

——推薦閱讀——
A precise framework for rice leaf disease image-text retrieval using FHTW-Net 
https://doi.org/10.34133/plantphenomics.0168
Plant Phenomics | 中南林業(yè)科技大學(xué)周國雄教授團(tuán)隊(duì)基于FHTW-Net的水稻葉片病害圖文檢索精確框架
Grain Protein Content Phenotyping in Rice via Hyperspectral Imaging Technology and a Genome-Wide Association Study
https://doi.org/10.34133/plantphenomics.0200
Plant Phenomics | 南京農(nóng)業(yè)大學(xué)聯(lián)合江蘇省農(nóng)業(yè)科學(xué)院基于成像高光譜技術(shù)和GWAS分析的水稻籽粒蛋白質(zhì)含量表型研究

加入作者交流群
掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、專刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics
《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)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(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄�？祁Ｎò睯CR2022影響因子為7.6，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學(xué)大類一區(qū)。2020年入選中國科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目、2024年入選江蘇科技期刊卓越行動(dòng)計(jì)劃領(lǐng)軍期刊項(xiàng)目。

說明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
特邀作者：周國雄
排版：趙倩瑩（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平