_ Îmbunătățirea recunoașterii senescenței rădăcinii cu o nou model de segmentare semantică

Rădăcinile joacă un rol vital în sănătatea plantelor, adaptându-se la schimbările de mediu și indicând creșterea culturilor. Cu toate acestea, studierea senescenței rădăcinii este o provocare din cauza dificultăților de a obține imagini clare in situ ale rădăcinilor. Metodele tradiționale sunt limitate și, deși cultivarea in situ și tehnicile avansate de imagistică oferă unele soluții, ele se confruntă cu probleme precum costuri ridicate și calitate scăzută a imaginii. Progresele recente în învățarea profundă, în special modelele de segmentare semantică precum SegNet și UNet, au îmbunătățit identificarea rădăcinilor, dar necesită încă o optimizare suplimentară.

În martie 2024, Plant Phenomics a publicat un articol de cercetare intitulat „Improved Transformer for Time Series Senescence Recunoașterea rădăcinii.” Acest studiu se concentrează pe utilizarea sistemului RhizoPot și pe explorarea modelelor de segmentare a rădăcinilor pentru a îmbunătăți recunoașterea senescenței rădăcinilor, cu scopul de a umple golul în analiza eficientă și precisă a rădăcinilor pentru o monitorizare mai bună a sănătății plantelor.

Această lucrare evaluează opt modele de segmentare, inclusiv PSPNet, SegNet, UNet, DeeplabV3plus, TransUNet, SwinUNet, SETR și o abordare nouă care se numește SegFormer-UN instruit uniform pentru 100 de epoci. Modelul SegFormer-UN, în special versiunea sa „Small”, demonstrează performanțe superioare cu rate mai mari de mIoU și mRecall de 81,06% și, respectiv, 86,29%, menținând în același timp cerințe de calcul mai mici (FLOPs și Params).

Mai mult , o versiune „Large” a SegFormer-UN chiar depășește acest lucru cu cele mai mari scoruri înregistrate în mIoU, mRecall și mF1. Acest lucru indică o avansare clară față de metodele tradiționale și alte rețele neuronale TransFormer, în ciuda modelului mai profund care necesită mai multe resurse de calcul.

O analiză aprofundată prin studii de ablație dezvăluie că modificarea metodei de supraeșantionare în sine scade valorile de performanță în comparație cu model de bază, evidențiind complexitatea optimizării acurateței segmentării. Cu toate acestea, modificările în structura decodorului, în special adoptând decodoarele UNet și DeeplabV3plus, arată rezultate variate. SegFormer-UN se remarcă prin îmbunătățirea semnificativă a preciziei și reducerea sarcinii de calcul, demonstrând eficacitatea integrării decodoarelor avansate cu arhitectura modelului.

În plus, lucrarea explorează extracția senescenței rădăcinilor, demonstrând capacitatea modelului SegFormer-UN , care poate clasifica cu precizie și extrage rapid rădăcini senescente, valorificând accelerația GPU. Această metodă depășește semnificativ tehnicile tradiționale de procesare a imaginilor, reducând timpul de procesare de la 31 de minute la aproximativ 4 minute per imagine și oferă o identificare mai precisă a sistemului radicular, în ciuda provocărilor legate de ocluzia de particule de sol.

În plus, analiza serii de timp. a senescenței rădăcinii, utilizând reducerea dimensionalității și gruparea, indică o creștere a proporției de senescență în timp, validată de valorile R-pătrat ridicate din potrivirea polinomială.

În concluzie, modelul SegFormer-UN, în special aplicarea sa la Segmentarea rădăcinii și extracția senescenței, prezintă un progres semnificativ în acuratețe, eficiență și economie de calcul. Acest studiu nu numai că stabilește un nou punct de referință pentru modelele de segmentare a rădăcinilor, dar subliniază și potențialul tehnicilor de învățare profundă în cercetarea agricolă, în special în înțelegerea sistemelor radiculare și a modelelor lor de senescență.

(Fluierul)