Улучшение распознавания старения корней с помощью новой модели семантической сегментации

Изучение старения корней затруднено из-за сложностей получения качественных изображений корней in situ. Традиционные методы ограничены, а современные подходы часто дороги или дают изображения низкого качества. Модели глубокого обучения, такие как SegNet и UNet, улучшили идентификацию корней, но требуют дальнейшей оптимизации.

В марте 2024 года в журнале Plant Phenomics вышла статья "Improved Transformer for Time Series Senescence Root Recognition". Исследование сосредоточено на использовании системы RhizoPot и изучении моделей сегментации корней для улучшения распознавания их старения.

В работе оцениваются восемь моделей сегментации: PSPNet, SegNet, UNet, DeeplabV3plus, TransUNet, SwinUNet, SETR и новый подход — SegFormer-UN. Все модели обучались единообразно в течение 100 эпох. Модель SegFormer-UN, особенно её версия "Small", показала превосходные результаты с более высокими показателями mIoU (81.06%) и mRecall (86.29%), сохраняя при этом низкие вычислительные затраты (FLOPs и Params).

Версия "Large" модели SegFormer-UN превзошла эти результаты, продемонстрировав самые высокие зафиксированные значения mIoU, mRecall и mF1. Это указывает на явный прогресс по сравнению с традиционными методами и другими нейронными сетями на основе Transformer, хотя более глубокая модель требует больше вычислительных ресурсов.

Абляционные исследования показали, что изменение только метода апсемплинга ухудшает метрики по сравнению с базовой моделью. Однако модификации структуры декодера, в частности, адаптация декодеров UNet и DeeplabV3plus, дали разные результаты. SegFormer-UN выделяется, значительно повышая точность и снижая вычислительную нагрузку, что доказывает эффективность интеграции продвинутых декодеров в архитектуру модели.

Также в статье исследуется извлечение данных о старении корней. Показано, что модель SegFormer-UN способна точно классифицировать и быстро извлекать стареющие корни, используя ускорение на GPU. Этот метод значительно превосходит традиционные техники обработки изображений, сокращая время обработки с 31 минуты до примерно 4 минут на одно изображение, и обеспечивает более точную идентификацию корневой системы, несмотря на проблемы с заслонением частицами почвы.

Анализ временных рядов старения корней с использованием снижения размерности и кластеризации указывает на увеличение доли старения с течением времени, что подтверждается высокими значениями R-Squared при полиномиальной аппроксимации.

В заключение, модель SegFormer-UN, особенно в применении к сегментации корней и анализу их старения, демонстрирует значительный прогресс в точности, эффективности и вычислительной экономичности. Это исследование не только устанавливает новый ориентир для моделей сегментации корней, но и подчеркивает потенциал методов глубокого обучения в сельскохозяйственных исследованиях, особенно для понимания корневых систем и закономерностей их старения.