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

水稻葉病害嚴重影響現(xiàn)代農(nóng)業(yè)，威脅著作物健康和產(chǎn)量。準確的語義分割技術對于分割患病葉片部分和幫助農(nóng)民識別病害至關重要。然而，當前水稻葉病分割過程中存在三個主要挑戰(zhàn)：（1）水稻葉病圖像中形狀不規(guī)則的斑點病葉往往具有復雜的紋理和形狀。這種復雜性使得分割模型難以準確識別和分離，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，會干擾模型的判斷。這種干擾可能導致誤將背景噪聲無關元素識別為患病區(qū)域，從而導致錯誤分割。（3）患病圖像中的邊緣模糊問題會嚴重影響分割網(wǎng)絡的性能。有時，這個問題會導致分割結果出現(xiàn)錯誤，例如將健康葉片區(qū)域錯誤標記為患病。

2024年8月，Plant Phenomics 在線發(fā)表了中南林業(yè)科技大學周國雄教授團隊題為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大量標記數(shù)據(jù)訓練的穩(wěn)定性，同時顯著提高水稻葉片病害分割的效率和準確性，從而更有效地應對農(nóng)業(yè)生產(chǎn)中的實際挑戰(zhàn)。

圖1 水稻葉片病害分割的問題示例

針對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，它集成了三個創(chuàng)新點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） 動態(tài)調(diào)整權重，提高模型識別不規(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別能力。這三個技術的結合顯著提升了模型在復雜場景下的分割性能。

圖2 提出的AISOA-SSformer模型的網(wǎng)絡結構圖

創(chuàng)新點如下：

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

(2) 針對上述問題，我們提出了一個名為 AISOA-SSformer 的新模型，該模型集成了三個創(chuàng)新改進點，以提高模型的性能和穩(wěn)定性。首先，該模型引入了一個名為“稀疏全局更新感知器（SGUP）”的線性嵌入層，結合指數(shù)移動平均法（EMA）和加權移動平均法（WMA），通過動態(tài)調(diào)整權重，提高模型識別不規(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注機制（SFAM），利用空間重構模塊（SRM）和通道重構模塊（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)，增強對模糊邊界特征的識別，提高訓練過程穩(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雜、形狀不規(guī)則的水稻葉病特征。對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。總之，該方法能夠準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)科技大學周國雄教授團隊基于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)大學聯(lián)合江蘇省農(nóng)業(yè)科學院基于成像高光譜技術和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，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、�？�發(fā)布會等高質(zhì)量活動。

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》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)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(nóng)業(yè)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(tǒng)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(shù)據(jù)庫收錄。科睿唯安JCR2022影響因子為7.6，位于農(nóng)藝學、植物科學、遙感一區(qū)。2023年中科院期刊分區(qū)位于農(nóng)林科學大類一區(qū)。2020年入選中國科技期刊卓越行動計劃高起點新刊項目、2024年入選江蘇科技期刊卓越行動計劃領軍期刊項目。

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