融合DeepLabV3+与U-Net优势的轻量化苜蓿图像分割模型DU-Net-L的构建与应用

本研究针对苜蓿智能育种中表型分析工具匮乏的问题，开发了一种轻量化语义分割模型DU-Net-L。该模型通过整合DeepLabV3+的多尺度特征提取能力和U-Net的精细结构识别优势，结合ResNet34特征提取模块和通道精简策略，实现了苜蓿茎叶结构的精准分割（准确率99.83%，mIoU 0.9411），模型体积仅25.42 MB。研究成果为苜蓿分枝表型的机器化分析提供了高效工具，发表于《aBIOTECH》。

　　

被称为"牧草皇后"的苜蓿（Medicago sativa）是全球重要的饲料作物，其高蛋白含量和广适性使其成为畜牧业的关键原料。然而，由于苜蓿具有多倍体遗传、自交不亲和等特性，传统育种面临巨大挑战。智能育种技术通过整合基因组学和表型组学数据，为加速优良品种选育提供了新思路。但令人遗憾的是，目前苜蓿地上部表型分析工具严重匮乏，测量仍依赖耗时费力的人工操作，这极大阻碍了育种进程。

针对这一技术瓶颈，Wei Tian和Kang Chong团队开展了一项创新性研究。他们发现现有两种主流分割模型各具局限：DeepLabV3+难以准确预测叶柄结构，而U-Net在高光照条件下表现欠佳。这促使研究人员萌生了一个大胆设想——能否融合两种模型的优势，打造一个"全能型"分割工具？

研究团队首先系统评估了四种经典模型（DeepLabV3+、PSPNet、SegNet和U-Net）的性能。如图1所示，U-Net虽学习速度最快，但在高光环境下会将叶片间背景误判为叶像素；DeepLabV3+虽不受光照影响，却总在叶柄处产生断裂预测。基于这些发现，研究人员创造性地构建了DU-Net融合模型，采用ResNet34作为共享编码器，同时保留DeepLabV3+的空洞空间金字塔池化模块和U-Net的跳跃连接结构。

关键技术方法包括：使用Sony相机采集300张苜蓿分枝图像（含150个样本的原始与展开状态）；通过imgaug库进行几何/色彩增强生成2,500张训练图像；采用ResNet34特征提取模块；实施通道精简策略（输出通道减至原1/2）；采用指数衰减学习率调度（lr_lambda=0.95^epoch）；以交叉熵损失函数和Adam优化器进行模型训练。

模型性能比较

测试数据显示（表1），DU-Net-ResNet34的准确率（99.83%）和mIoU（0.9411）均显著优于基础模型。如图2所示，融合模型成功克服了DeepLabV3+的叶柄断裂问题（黄色箭头处），同时消除了U-Net在高光条件下的误判斑点（黄色圆圈处）。图5进一步证实，DU-Net-L能精确分割茎叶结构，仅在最复杂的幼叶区域存在细微偏差。

模型轻量化改进

通过系统削减各模块输出通道（图3），研究人员将模型体积从138.05 MB（原始U-Net）压缩至25.42 MB，同时保持优异性能。值得注意的是，添加注意力模块（CBAM）反而导致性能下降，推测是由于统一黑色背景削弱了注意力机制的作用。

参数优化

采用指数学习率衰减策略和延长训练周期至100 epoch后，最优参数组合在测试集上达到99.83%准确率。如表1所示，最终DU-Net-L模型的计算复杂度（0.34 TB Mult-Adds）远低于SegNet和U-Net，仅略高于DeepLabV3+，实现了精度与效率的完美平衡。

这项研究成功开发出目前最轻量高效的苜蓿图像分割模型DU-Net-L，为机器化表型分析提供了关键工具。特别值得关注的是，研究揭示了传统模型在特定场景下的局限性：DeepLabV3+对细长结构（如叶柄）的识别缺陷，以及U-Net在极端光照条件下的不稳定性。通过巧妙的架构融合和通道精简，DU-Net-L成功克服了这些瓶颈，其25.42 MB的紧凑体积更使其具备田间部署的实用价值。

展望未来，研究团队指出当前模型仍需人工展开分枝的局限，建议后续开发生成对抗网络（GAN）来自动生成展开叶片的伪图像。这一方向将进一步完善苜蓿表型分析的自动化流程，为智能育种提供更强大的技术支持。该成果不仅推动了牧草育种技术的发展，也为其他作物的表型分析模型设计提供了重要参考。