基于改进U-Net 的水稻叶片细胞分割方法研究

doi:10.15933/j.cnki.1004-3268.2023.03.017

河南农业科学 ›› 2023, Vol. 52 ›› Issue (3): 153-160.DOI: 10.15933/j.cnki.1004-3268.2023.03.017

• 农业信息与工程·农产品加工 • 上一篇下一篇

基于改进U-Net 的水稻叶片细胞分割方法研究

韦钙兴¹，易文龙¹，刘昱成¹，赵应丁¹，陈庭倬²

（1.江西农业大学软件学院，江西南昌 330045；2.成都新朝阳作物科学股份有限公司生物技术研究院，四川成都611630）

收稿日期:2022-10-12 出版日期:2023-03-15 发布日期:2023-04-17
通讯作者: 易文龙（1982-），男，江西庐山人，副教授，博士，主要从事计算机视觉研究。E-mail：yiwenlong@jxau.edu.cn
作者简介:韦钙兴（1998-），男，广西钦州人，在读硕士研究生，研究方向：计算机视觉。E-mail：1343954539@qq.com
基金资助:
国家自然科学基金项目（61762048）；江西省自然科学基金项目（20212BAB202015）

Research on Improved U‑Net Method for Rice Leaf Cell Segmentation

WEI Gaixing¹，YI Wenlong¹，LIU Yucheng¹，ZHAO Yingding¹，CHEN Tingzhuo²

（1.School of Software，Jiangxi Agricultural University，Nanchang 330045，China；2.Biotechnology Research Institute，Chengdu New Chaoyang Crop Science Co.，Ltd.，Chengdu 611630，China）

Received:2022-10-12 Published:2023-03-15 Online:2023-04-17

摘要/Abstract

摘要： 针对水稻叶片细胞图像中存在边界模糊、信噪比低和叶肉细胞相互粘连堆叠等特点导致分割精度不高的问题，提出一种基于改进U-Net的水稻叶片细胞分割方法。首先，将BA模块引入到ResNeXt网络中组成BAResNeXt模块作为网络的编码器，在提取深层的语义特征时提高网络对叶肉细胞的关注度；其次，在编码器与解码器之间加入通道交叉注意力机制，缓和解码器和编码器的语义歧义来增强分割图像特征的信息融合；最后，在解码器上采样阶段中使用SE注意力机制，以便过滤分割图像背景的干扰信息。为了验证该方法的有效性，将其与U-Net、Res-UNet、U-Net++和Deeplabv3+等深度学习网络进行试验比对，结果表明，改进的方法在水稻叶片细胞分割中表现最好，其查准率为96.03%、召回率为97.67%、准确率为97.47%、交并比为93.96%，相似系数为96.78%，均比其他网络高。

关键词: 水稻叶片, 细胞分割, U-Net, 注意力机制, 特征融合

Abstract: Aiming at the issues of blurred boundaries，low signal‑to‑noise ratio，mutual adhesion and stacking of mesophyll cells in the image of rice leaf cells，which lead to low segmentation accuracy，we propose an improved U‑Net method for rice leaf cell segmentation. Firstly，the bridge attention（BA）module is introduced into the ResNeXt network to form the BAResNeXt module as the network encoder to improve the network’s attention to mesophyll cells when extracting deep semantic features；secondly，a channel cross‑attention mechanism is added between the encoder and the decoder to ease the semantic ambiguity between the decoder and the encoder to enhance the information fusion of the segmented image features；finally，the SE attention mechanism is used in the upsampling phase of decoder to filter the interference information of image background. In order to verify the effectiveness of the method，it was compared with deep learning networks such as U‑Net，Res‑UNet，U‑Net++ and Deeplabv3+.The results showed that our method had the best performance in rice leaf cell segmentation. The Precision（96.03%），Recall（97.67%），Acc（97.47%），IoU（93.96%）and Dice（96.78%）of our method were all higher than other networks.

Key words: Rice leaf, Cell segmentation, U?Net, Attention mechanism, Feature fusion

中图分类号:

TP391
S126

韦钙兴, 易文龙, 刘昱成, 赵应丁, 陈庭倬. 基于改进U-Net 的水稻叶片细胞分割方法研究[J]. 河南农业科学, 2023, 52(3): 153-160.

WEI Gaixing, YI Wenlong, LIU Yucheng, ZHAO Yingding, CHEN Tingzhuo. Research on Improved U‑Net Method for Rice Leaf Cell Segmentation[J]. Journal of Henan Agricultural Sciences, 2023, 52(3): 153-160.

参考文献

［1］YI W，ZHAO Y.A fast algorithm for visual modeling of rice leaf cells［J］.Computing，Telecommunication and Control，2020，13（3）：17‑30.
［2］赵德恒，赵应丁，杨红云，等.水稻叶片细胞三维可视化动态仿真［J］.系统仿真学，2021，33（10）：2432‑2439.
ZHAO D H，ZHAO Y D，YANG H Y，et al.3D visual dynamic simulation of rice leaf cells［J］.System Simulation，2021，33（10）：2432‑2439.
［3］黄州，杜志喧，王建平，等.水稻卷叶性状与分子调控机制研究进展［J］.分子植物育种，2021，19（22）：7604‑7611.
HUANG Z，DU Z X，WANG J P，et al.Research progress on rolled leaf traits and molecular regulation mechanism of rice［J］.Molecular Plant Breeding，2021，19（22）：7604‑7611.
［4］BHARGAVI K，JYOTHI S.A survey on threshold based segmentation technique in image processing［J］.International Journal of Innovative Research and Development，2014，3（12）：234‑239.
［5］HORE S，CHAKRABORTY S，CHATTERJEE S，et al.An integrated interactive technique for image segmentation using stack based seeded region growing and thresholding［J］.International Journal of Electrical&Computer Engineering，2016，6（6）：2773‑2780.
［6］KAGANAMI H G，BEIJI Z.Region‑based segmentation versus edge detection［C］//2009 Fifth International Conference on Intelligent Information Hiding and Multimedia Signal Processing.Piscataway，NJ，USA：IEEE，2009：1217‑1221.
［7］SHAKEEL P M，BASKAR S，SAMPATH R，et al.Echocardiography image segmentation using feed forward artificial neural network（FFANN） with fuzzy multi‑scale edge detection（FMED）［J］.International Journal of Signal and Imaging Systems Engineering，2019，11（5）：270‑278.
［8］ZHANG Y，CHENG X.Medical image segmentation based on watershed and graph theory［C］//2010 3rd International Congress on Image and Signal Processing.Piscataway，NJ，USA：IEEE，2010：1419‑1422.
［9］ARULMURUGAN R，ANANDAKUMAR H.Region‑based seed point cell segmentation and detection for biomedical image analysis［J］.International Journal of Biomedical Engineering and Technology，2018，27（4）：273‑289.
［10］PENG B，ZHANG L，ZHANG D.A survey of graph theoretical approaches to image segmentation［J］.Pattern Recognition，2013，46（3）：1020‑1038.
［11］RONNEBERGER O，FISCHER P，BROX T.U‑net：Convolutional networks for biomedical image segmentation［C］//International Conference on Medical Image Computing and Computer‑assisted Intervention.New York，USA：Springer，Cham，2015：234‑241.
［12］GUAN S，KHAN A A，SIKDAR S，et al.Fully dense UNet for 2‑D sparse photoacoustic tomography artifact removal［J］.IEEE Journal of Biomedical and Health Informatics，2019，24（2）：568‑576.
［13］ABDOLLAHI A，PRADHAN B，ALAMRI A M.An ensemble architecture of deep convolutional Segnet and Unet networks for building semantic segmentation from high‑resolution aerial images［J］.Geocarto International，2022，37（12）：3355‑3370.
［14］XIAO X，LIAN S，LUO Z，et al.Weighted res‑unet for high‑quality retina vessel segmentation［C］//2018 9th International Conference on Information Technology in Medicine and Education（ITME）.Piscataway，NJ，USA：IEEE，2018：327‑331.
［15］ZHOU Z，RAHMAN S M M，TAJBAKHSH N，et al.Unet++ ：A nested U‑Net architecture for medical image segmentation［C］//Deep learning in Medical Image Analysis and Multimodal Learning for Clinical Decision Support. New York，USA：Springer，Cham，2018：3‑11.
［16］HUANG H，LIN L，TONG R，et al.Unet 3+ ：Afull‑scale connected unet for medical image segmentation［C］//ICASSP 2020‑2020 IEEE International Conference on Acoustics，Speech and Signal Processing（ICASSP）.Piscataway，NJ，USA：IEEE，2020：1055‑1059.
［17］XIE S，GIRSHICK R，DOLLÁR P，et al.Aggregated residual transformations for deep neural networks［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，NJ，USA：IEEE，2017：1492‑1500.
［18］HE K，ZHANG X，REN S，et al.Deep residual learning for image recognition［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Piscataway，NJ，USA：IEEE，2016：770‑778.
［19］SZEGEDY C，VANHOUCKE V，IOFFE S，et al.Rethinking the inception architecture for computer vision［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，NJ，USA：IEEE，2016：2818‑2826.
［20］ZHAO Y，CHEN J，ZHANG Z，et al.BA‑Net：Bridge attention for deep convolutional neural networks［C］//European Conference on Computer Vision. New York，USA：Springer，Cham，2022：297‑312.
［21］WANG H，CAO P，WANG J，et al.Uctransnet：rethinking the skip connections in U‑Net from a channel‑wise perspective with transformer ［C］//Proceedings of the AAAI Conference on Artificial Intelligence.Menlo Park，CA，USA：AAAI，2022：2441‑2449.
［22］HU J，SHEN L，SUN G.Squeeze‑and‑excitation networks［C］//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Piscataway，NJ，USA：IEEE，2018：7132‑7141.
［23］CHEN L C，ZHU Y，PAPANDREOU G，et al.Encoder‑decoder with atrous separable convolution for semantic image segmentation［C］//Proceedings of the European Conference on Computer Vision（ECCV）.New York，USA：Springer，Cham，2018：801‑818.

[1]	李东亚, 白涛, 香慧敏, 戴硕, 王震鲁, 陈珍. 基于RoBERTa 多特征融合的棉花病虫害命名实体识别[J]. 河南农业科学, 2024, 53(2): 152-161.
[2]	于雁南, 莫泳彬, 严继池, 熊春林, 窦世卿, 杨荣峰. 基于改进ShuffleNet V2 的柑橘病害识别研究[J]. 河南农业科学, 2024, 53(1): 142-151.
[3]	钟正扬, 云利军, 杨璇玺, 陈载清. 基于改进YOLOX 的自然环境下核桃识别算法研究[J]. 河南农业科学, 2024, 53(1): 152-161.
[4]	钟斌, 杨珺, 刘毅, 任锦涛. 基于改进DINO的牧场杂草检测[J]. 河南农业科学, 2023, 52(9): 156-163.
[5]	王焕鑫, 沈志豪, 刘泉, 刘金江. 基于改进MobileNetV2 模型的农作物叶片病害识别研究[J]. 河南农业科学, 2023, 52(4): 143-151.
[6]	吕宗旺, 王玉琦, 孙福艳. 基于改进U-Net 的不同容重小麦籽粒识别检测[J]. 河南农业科学, 2023, 52(10): 141-152.
[7]	王迎超, 张婧婧, 贾东霖, 周腾飞. 基于K-means 聚类和改进MLP的苹果分级研究[J]. 河南农业科学, 2023, 52(1): 161-171.
[8]	刘江鹏, 牛群峰, 靳毅, 陈霞, 王莉, 袁强. 基于高效通道注意力机制与多尺度特征融合的烟丝图像识别方法研究[J]. 河南农业科学, 2022, 51(11): 145-154.
[9]	王川, 赵恒滨, 李国强, 张建涛, 高桐梅, 赵巧丽, 郑国清. 基于改进YOLOX模型的芝麻蒴果检测方法研究[J]. 河南农业科学, 2022, 51(11): 155-162.
[10]	濮永仙. 基于病斑特征融合的烟草病害图像检索方法[J]. 河南农业科学, 2015, 44(2): 71-76.

基于改进U-Net 的水稻叶片细胞分割方法研究

Research on Improved U‑Net Method for Rice Leaf Cell Segmentation

PDF

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 10

编辑推荐

Metrics