Red neuronal convolucional mejorada en forma de U con módulo de atención de bloque convolucional y fusión de...

Área de la Ciencia:

• Ciencias de las plantas
• Ciencias de la computación
• Ecología

Sus antecedentes:

• Los métodos tradicionales de cuantificación de raíces son intensivos en mano de obra y subjetivos.
• Las imágenes de rizotron in situ presentan desafíos debido al ruido y los fondos complejos.
• La segmentación fina precisa de las raíces es crucial para el análisis del sistema de raíces de alto rendimiento.

Objetivo del estudio:

• Desarrollar un marco avanzado de aprendizaje profundo para la segmentación automatizada de raíces finas en imágenes de rizotrones de campo.
• Mejorar la precisión y la eficiencia del análisis del sistema radicular.
• Permitir una generalización robusta entre especies para el fenotipo de raíces.

Principales métodos:

• Propuso una arquitectura mejorada de red neuronal convolucional en forma de U (U-Net).
• Integrado un módulo de atención de bloque convolucional (CBAM) para una mejor representación de características.
• Se empleó una estrategia de fusión de características aditivas (UpAdd) y transferencia de aprendizaje.

Principales resultados:

• Logrado el estado de la técnica de rendimiento con mIoU de 70,18%, Recall de 86,72%, y la precisión de 75,89%.
• Superó a los modelos existentes como PSPNet, SegNet y DeepLabV3 + en precisión de segmentación.
• El aprendizaje de transferencia demostró una robusta generalización entre especies y mejoró las métricas específicas de la raíz.

Conclusiones:

• El marco de aprendizaje profundo desarrollado ofrece un enfoque escalable para el fenotipo de raíz automatizado.
• El modelo muestra una fuerte concordancia con la cuantificación manual, especialmente para las raíces de tercer orden.
• Este trabajo promueve la investigación ecológica subterránea y el fenotipo de alto rendimiento.