基于分类融合与注意力机制的长期动态根系监测

《Biosystems Engineering》：Long-term dynamic root monitoring based on classification fusion and attention mechanism

　　

{
"translation": "根系在生态系统的物质循环和能量流动中发挥着至关重要的作用，小径根箱已成为广泛用于长期观测根系生长的无损工具。然而，小径根箱根系图像往往受到复杂的土壤背景干扰和不同生长阶段根系颜色不一致的影响，这使得传统分割算法不稳定。这些算法难以抵抗颜色变化或有效过滤土壤噪声，导致分割偏差。为此，提出了一种名为CFRA-Net的新型卷积神经网络（CNN），用于分割此类图像中的植物根系，该方法基于分类融合（CF）策略和根系注意力（RA）机制。CFRA-Net使网络能够学习不同生长阶段根系的颜色特征，并对根系赋予比背景更大的权重，从而全面提高根系分割性能。留一法交叉验证结果显示，CFRA-Net的准确率、召回率、精确率、F1值和IoU分别为95.1%、83.2%、80.4%、82.2%和69.8%。与商用方法相比，CFRA-Net能够稳健地分割动态土壤环境中颜色和形态各异的根系。随后，对三种灌溉处理下不同土壤深度的杨树根系进行了为期12个月的定量分析。结果表明，不灌溉处理在所有土层中的12个月根长和根表面积密度最大，而沟灌处理促进了0–340 mm表土层细根的积累，表现出最一致的12个月根系生长。该分割方法为旨在探索根-土生态系统相互作用的图像分析提供了技术支持。"
}