Plant Phenomics | 基于全監督和弱監督深度學習的病損葉片表型分析研究

深度學習和計算機視覺的組合是已成為一種高效智能的植物表型分析手段。在植物病害脅迫檢測領域，大多數已發表的研究都集中在圖像級別的疾病分類上。本文研究了基于深度學習的植物病斑分割方法，提取像素級病損相關表型特征。首先，收集植物病葉圖像數據集，并提供相應的圖像級標注（病葉/健康葉片）和像素級標注（病斑像素區域）。其中，蘋果葉樣本數據集用于模型訓練和優化，葡萄葉片和草莓葉樣本被用作額外的測試數據集。而后，研究了基于全監督卷積神經網絡的語義分割方法，分割葉片表面的病害損傷區域。探究了弱監督深度學習算法用于植物葉片病斑分割的可能性，通過提供“健康”、“染病”兩種簡單的人工標簽訓練模型，利用“染病”類別相關的神經元權重和梯度構建與“染病”類別高度相關的特征圖，通過超綠特征提取、自適應閾值分割步驟得到精煉的病斑分割結果，并對比了基于全監督學習、弱監督學習及小樣本學習的語義分割方法的分割精度和普適性。
 

2022年12月，Plant Phenomics在線發表了南京林業大學題為Phenotypic Analysis of Diseased Plant Leaves Using Supervised and Weakly Supervised Deep Learning的研究論文。
 

文中將Grad-CAM算法與二分類ResNet-50網絡的結合定義為ResNet-CAM，作為基準模型；將Grad-CAM與小樣本預訓練的U-Net二分類器的結合用于弱監督葉斑分割（定義為WSLSS，模型結構見圖1），探索提升分割精度的可能性。提出的弱監督學習模型均只使用圖像級標注（病葉/健康葉片）進行訓練，以降低人工圖像標注、訓練計算的成本和復雜度。
 

圖1基于弱監督學習的葉片病斑分割模型

研究結果表明：在蘋果葉片病斑分割數據集上，基于全監督學習的DeepLab模型達到了最佳的分割性能，分割交并比IoU=0.829。弱監督模式的WSLSS算法的精度為IoU=0.434。在處理額外測試數據集時，WSLSS實現了最佳的性能，IoU=0.511，高于全監督學習模式訓練的DeepLab模型（IoU=0.458）。不同模型對蘋果、葡萄、草莓葉片進行病斑分割的結果見圖2，圖3。盡管全監督模型和弱監督模型在處理單一品種葉片數據集（蘋果葉片）的IoU存在一定差距，但在處理模型訓練過程未涉及的葉片及病害類型時，弱監督模型WSLSS表現出比全監督模型更強的泛化能力。此外，本文涉及的帶有人工標簽數據集已公開（原文中可查看下載鏈接），可供研究人員檢驗設計的新的病斑分割方法。
 

圖2 WSLSS方法對蘋果葉片進行病斑分割的結果示例
 

圖3不同模型對葡萄和草莓葉片進行病斑分割的結果示例

該論文第一作者為南京林業大學教師周磊，主要研究方向為基于深度學習的植物表型分析技術。通訊作者為湖州師范學院張初副教授，研究方向為植物高通量表型分析技術與方法、農產品品質無損檢測以及智能信息處理。

論文鏈接：

https://doi/10.34133/plantphenomics.002‍2

——推薦閱讀——

Semi-Self-Supervised Learning for Semantic Segmentation in Images with Dense Patterns

https://doi.org/10.34133/plantphenomics.0025

Plant Phenomics | 密集模式下圖像語義分割的半自監督學習

From Prototype to Inference: A Pipeline to Apply Deep Learning in Sorghum Panicle Detection 

https://doi.org/10.34133/plantphenomics.0017

Plant Phenomics | 從原型到推理：深度學習在高粱穗部檢測中的應用

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，群內不定期開展作者分享會、專刊發布會等高質量活動。

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）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。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性研究論文、綜述、數據集和觀點。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、植物育種和農業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等數據庫收錄。科睿唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區、遙感二區、生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。

中文內容僅供參考，一切內容以英文原版為準。

特邀作者：張初、周磊

排版：薛楚凡（南京農業大學）

審核：孔敏、王平