SenNet双分支网络：基于边缘先验与局部-全局注意力的小麦衰老动态解析与高产种质筛选新策略

【编辑推荐】针对小麦叶片衰老评估中传统视觉评分法主观性强、效率低下的问题，中国研究团队创新性提出融合边缘先验与局部-全局注意力机制的双分支语义分割网络SenNet。该模型在19530张图像数据集上实现95.41% mIoU精度，较现有最优模型提升4.01%，成功量化衰老动态特征并构建AreaUnderCurve等新表型指标，基于随机森林的产量预测R2 达0.68，为高产小麦品种筛选提供了智能化解决方案。

　　

在全球气候变暖背景下，小麦作为三大主粮作物之一，其叶片衰老进程与产量形成机制的研究显得尤为重要。传统依赖人工视觉评分的衰老评估方法存在主观性强、效率低下等缺陷，而现有基于深度学习的图像分割技术又面临衰老区域边缘模糊、复杂田间环境干扰等挑战。更关键的是，学术界对于衰老动态与产量关系存在争议：既有研究支持"持绿"表型与正相关，也有证据表明晚衰会降低产量。这种争议很大程度上源于缺乏精确量化衰老动态过程的技术手段。

为解决这一系列问题，中国某研究团队在《Computers and Electronics in Agriculture》发表研究，构建了包含509个品种、19530张图像的小麦衰老动态数据集，并创新性提出SenNet双分支语义分割网络。该模型通过整合边缘先验分支与局部-全局注意力机制（含分层注意力门控卷积和位置编码模块），实现了对小麦衰老进程的精准量化。技术路线主要包括：基于Transformer架构的特征提取流、边界处理流双分支设计，局部-全局分层注意力机制（LG-HA）构建空间依赖关系，以及动态表型特征提取与随机森林产量预测模型构建。

【SenNet outperforms most other SOTA networks】
研究显示，SenNet在测试集上达到95.41% mIoU（平均交并比），较7种前沿模型平均精度提升4.01%。关键类别分割精度分别为：绿叶93.95%、黄叶93.75%，显著优于传统阈值法（平均仅76.52%）和U-Net等模型。跨年际验证表明，2023年训练的模型在2022、2024年数据上仍保持93%以上mIoU，展现强大泛化能力。

【Local global attention with edge prior knowledge can improve model performance】
消融实验揭示，局部-全局分层注意力机制（LG-HA）、门控卷积和位置编码模块分别贡献3.15%、1.62%和1.03%的精度提升。特别地，LG-HA通过建立空间金字塔注意力，有效捕捉了衰老区域从局部到全局的层次特征；而边缘先验分支则显著改善了叶片交接区域的模糊边界分割，使边缘分割交并比提升5.8%。

【Conclusion】
该研究通过SenNet实现了三大突破：1）创建首个大规模小麦衰老动态图像数据集；2）开发融合边缘先验与注意力机制的分割新框架，mIoU达95.41%；3）首次量化高产品种衰老规律，发现其具有"晚启动-快衰退"特征。基于衰老动态特征构建的AreaUnderCurve等新表型指标，结合随机森林模型（R²
=0.68）实现高产品种筛选，精确率、召回率分别达81%和79%。这项研究不仅为作物衰老机制研究提供了新工具，更为智慧育种中的表型组学分析树立了技术范式。

讨论部分强调，SenNet的创新性在于将农学先验知识（边缘特征重要性）与前沿深度学习技术（Transformer、注意力机制）有机结合。相比传统静态指标，动态衰老表型能更准确反映品种特性，这解释了既往研究中关于衰老-产量关系的争议。研究团队特别指出，该模型的跨年际稳定性（>93% mIoU）使其具备大规模田间应用潜力，而开源策略（代码发布于GitHub）将进一步推动农业人工智能发展。这项成果为应对气候变化下的粮食安全挑战提供了重要的技术支撑。