MCC Net：一种用于水稻秧茎内部结构分割的类注意力增强 ...

迷失的灵魂

水稻秧茎内部结构参数对水稻生长检测、水稻选种、育种和损伤检查具有重要意义。针对现有植物内部结构表征检测方法中存在的不可重复性和检测精度低的问题，本文提出了一种基于深度学习的水稻苗茎内部结构检测的非破坏性分割方法。我们利用标准的X射线CT成像技术获得水稻苗茎的无损断层图像，然后设计一个以Unet为骨干网络的类注意力增强多尺度分割模型（MCC-Net）。具体来说，提出的MCC-Net主要由三个核心部分组成：多尺度卷积块（MCB）、坐标空间注意（CSA）模块和类注意增强（CAE）模块。MCB是编码器的主要组件，用于提高模型对内部结构中不同大小区域的特征提取能力。CSA被嵌入到UNet跳过连接中，以增强有效特征的表达，并自动定位水稻秧苗茎部不同结构的区域。CAE旨在计算图像像素和类别之间的依赖关系，可以从类别的角度增强特征表达，纠正分割结果中的类别错误。实验结果表明，我们提出的MCC-Net模型在自建的水稻苗茎CT图像数据集上的MIOU、平均骰子系数和平均精度分别为92.56%、96.33%和96.59%。与几个最先进的模型相比，我们提出的模型在水稻秧苗的CT图像数据集上取得了更好的分割性能。



图1 水稻幼苗的典型结构图和茎的横截面图。(a): 水稻秧苗的典型结构图；（b）茎的横截面示意图；（c）四叶水稻秧苗茎的CT图像。



图2  CT图像采集流程图。



图3 数据增强后的CT图像：（a）原始图像；（b） 垂直翻转；（c） 随机旋转；（d） 亮度和对比度增强；（e） 亮度和对比度降低。



图4 水稻苗茎的原始CT图像和注释的图像。



图5  MCC-Net 结构。



图6 MCB结构图。



图7 CSA结构图



图8 CAE结构图



图9 CCB结构图



图10 CEB结构图



图11 训练过的MCC-Net典型特征图。从上到下：最外层叶鞘的特征图，第三层叶鞘的特征图，气腔的特征图；（a）第一编码块的特征图；（b）第三编码块的特征图；（c）第五编码块的特征图；（d）第二解码块的特征图；(e) 第四解码块的特征图。



图12 不同模型的验证和训练损失曲线。



图13 不同分割模型的输出特征图的可视化。从上到下：气腔、分蘖叶叶鞘、茎中心、第三叶鞘、第二叶鞘和最外层叶鞘。



图14 不同分割模型的输出特征图可视化。从上到下：气腔、分蘖叶叶鞘、茎中心、第三叶鞘、第二叶鞘和最外层叶鞘。



图15 不同模型的预测结果。



图16 水稻秧苗茎部的三维结构可视化。(a-b)：水稻秧苗茎的三维模型。(c-e): 茎叶鞘的三维模型。（f-g）：未成形叶鞘和分蘖叶鞘的三维模型。(h)：气腔组织的三维模型。

来 源
Chen M, Liao J, Zhu D, et al. MCC-Net: A class attention-enhanced multi-scale model for internal structure segmentation of rice seedling stem[J]. Computers and Electronics in Agriculture, 2023, 207: 107717.
https://doi.org/10.1016/j.compag.2023.107717

编辑
小王博士在努力

扩展阅读

• 植物表型资讯2018年1-12月目录汇总
  
• 植物表型资讯2019年1-12月目录汇总
  
• 植物表型资讯2020年1-12月目录汇总
  
• 植物表型资讯2021年1-12月目录汇总
  
• 植物表型资讯2022年1-12月目录汇总
  
• 植物表型资讯2023年1-12月目录汇总
  
• 植物表型资讯分类专辑直通车
  
• 最畅销的田间表型平台长什么样？