编辑推荐：
为监测甘蓝幼苗根系生长，研究人员构建 Swin-Unet++ 网络，分割精度达 98.19%，助力智能农业。
甘蓝，作为全球重要的经济作物，在农业生产中占据着举足轻重的地位。据联合国粮食及农业组织（FAO）2020 年统计数据显示，其种植规模颇为可观，总种植面积高达 377 万公顷，年产量达 9639 万吨，整个产业价值约 161.2 亿美元。甘蓝幼苗通常先在穴盘中培育，待生长至适宜阶段再移栽至户外。然而，移栽的成活率以及后续的生长状况，在很大程度上取决于根系的生长状态。根系作为植物吸收水分和养分的主要器官，其健康状况直接关系到植株的整体生长，更是与甘蓝的最终产量紧密相连。
在过去，研究植物根系的传统方法主要依赖人工测量和观察，这种方式不仅耗费大量时间，而且容易受到主观因素的影响，产生误差。随着计算机技术的不断进步，研究人员开始尝试运用计算机视觉技术进行自动化图像处理。早期的根系分割方法多基于边缘检测和阈值处理，虽然这些方法为植物根系的自动测量提供了初步手段，但它们对噪声极为敏感，在处理复杂场景或光照不均匀的情况时，常常会出现边缘信息丢失或误检测的问题，并且在不同的应用场景中通用性较差。随着深度学习技术的飞速发展，基于卷积神经网络（CNNs）的方法逐渐兴起，在植物根表型自动分析方面取得了显著进展。不过，当前基于深度学习的语义分割骨干架构，如基于 CNNs 和 Transformer 的模型，都各自存在一定的局限性，难以精准地对甘蓝幼苗纤细、网状的根系进行特征提取和分割。
为了深入探究甘蓝幼苗根系的生长状态，精准分析其根系表型参数，来自中国农业大学信息与电气工程学院、国家农业信息技术工程研究中心以及北京农林科学院信息技术研究中心的研究人员开展了一项极具意义的研究。他们构建了一种全新的网络架构 ——Swin-Unet++，该研究成果发表在《Plant Methods》上。
研究人员在开展此项研究时，运用了多种关键技术方法。在数据采集方面，他们从河北肃宁的绿源示范基地获取甘蓝幼苗，通过特定的方式对幼苗进行处理后，使用配备 CMOS 传感器的智能手机进行拍照，并在图像中标注 15cm 的比例尺，以便后续分析。采集到的原始图像被手动标注为背景、幼苗根系和茎叶部分三类。为了扩充数据量，增强模型的鲁棒性和泛化能力，研究人员还对数据进行了多种方式的增强处理，如翻转、旋转、缩放等。在模型构建上，Swin-Unet++ 模型以 SwinTransformer 模块为骨干，融入残差连接的理念，同时采用多项式衰减调整学习率，利用多种评价指标评估模型性能。
下面来看看具体的研究结果：
- 模型训练：在训练过程中，研究人员观察到不同架构模型的损失函数、mIOU 和 ACC 等指标的变化情况。模型训练初期，由于参数尚未优化，损失较高，mIoU 较低；中期模型参数动态调整，mIoU 先降后升；到了训练后期，损失不再显著下降，mIoU 稳定在最高值，此时模型达到收敛状态。整个训练过程中，模型未出现明显过拟合现象，表明其具有良好的泛化能力。
- 消融实验：通过改变骨干网络、特征提取层数以及是否进行修剪（PR）操作等因素进行消融实验。结果发现，使用 Swin Transformer Block 作为解码器时，模型精度更高，且随着模型深度增加，精度有所提升。修剪操作在以 Swin Transformer Block 为解码器时能提高精度，但以 CNN 为解码器时却会降低精度。这充分说明 Swin Transformer Block 在捕捉根系精细特征方面具有明显优势，能够有效提升模型性能。
- 高精度语义分割模型比较：将 SwinUnet++ 与其他高精度语义分割网络进行对比，结果显示 SwinUnet++ 在多个指标上表现最佳，如 Acc 达到 98.19%，mIoU 为 86.69%。从特征可视化热图可以看出，SwinUnet++ 对整个幼苗特征的关注更为均衡，能捕捉到丰富的全局信息，在精度和特征提取能力方面优于其他模型。
- 根表型参数提取：基于 SwinUnet++ 的语义分割结果，研究人员利用传统计算机视觉算法确定根的位置，并提取根长、根扩展宽度、根面积和根厚度等表型参数。通过与实际测量值对比，发现 SwinUnet++ 在提取这些参数方面表现出色，相关系数 R22值较高，如根长和根扩展宽度的 R22值均大于 0.94，根厚度的 R22值为 0.8645，有力地验证了该模型在提取甘蓝幼苗根表型特征方面的有效性。
- 甘蓝幼苗根表型自动化分析：为实现甘蓝幼苗根表型的自动化分析，研究人员开发了相应的自动化平台。该平台加载预训练的 SwinUnet++ 模型权重，能够对输入图像进行自动推理，快速准确地提取关键表型参数，大大提高了分析效率。
综合研究结论与讨论部分的内容来看，Swin-Unet++ 网络在甘蓝幼苗根系表型分析中展现出卓越的性能，实现了对根系和茎叶区域的高精度语义分割。其在根分割任务中的准确率高达 98.19%，mIoU 为 86.69%，kappa 值为 90.37%，Dice 系数为 92.38%，在提取根长、根扩展宽度和根厚度等表型参数时，R22值分别达到 94.82%、94.43% 和 86.45% 。这一成果不仅为甘蓝生长监测提供了全新的方法，填补了当前主要关注地上性状的表型研究空白，有助于全面了解甘蓝的整个生长周期，还为智能农业和高效种植实践提供了有力的技术支持。
不过，Swin-Unet++ 模型也存在一些局限性。例如，它是基于特定植物根系的形态和图像数据集设计训练的，应用于其他植物根系时可能需要调整参数或网络结构；在处理低分辨率图像时，容易出现特征丢失，影响分割精度；数据采集过程中，梳理根系增加了操作难度，且固定拍摄高度可能无法覆盖所有根系特征。针对这些问题，研究人员提出在未来可以通过多模态数据融合、结合深度信息或三维结构数据以及探索更精细的多尺度特征融合机制等方法加以改进。
总体而言，这项研究成果为甘蓝幼苗根系监测与分析开辟了新的道路，随着农业数字化和智能化的不断推进，Swin-Unet++ 有望在农业领域发挥更为重要的作用，推动农业技术的持续创新与发展。
