根系由细根及其根毛组成，是吸收土壤养分和水分的关键组织，直接影响根系的功能。根与土壤直接接触，正因为如此，它的特征比地上植物更能适应环境变化，从而清楚地表明作物是如何生长的。根系衰老是影响地上部衰老过程的重要根系性状。此外，探索根系衰老规律是揭示地上植物衰老的一个重要方面。根系表型特征与根系功能密切相关。然而，基于深度学习的高通量原位根系衰老特征提取方法尚未发表。

2024年4月，Plant Phenomics 在线发表了河北农业大学机电工程学院团队题为Improved Transformer for Time Series Senescence Root Recognition的论文。

本文提出了一种基于Transformer神经网络的棉花原位根系衰老特征提取技术。研究的主要对象是具有不同衰老程度的高分辨率原位根系图像。通过比较一般卷积神经网络和变压器神经网络对根系的语义分割，SegFormer-UN（large）获得了最佳评价指标，分割结果表明，对分割图像中根系连接处的预测更为准确。与基于深度学习和图像处理的两种棉花根系衰老提取算法相比，使用 SegFormer-UN 模型的原位根系衰老识别算法的参数数为 581 万，运行速度快，每幅图像约需 4 分钟。它能准确识别图像中的衰老根。

图1 本研究总体工作流程

图2是U 型编码器和解码器结构，并基于SegFormer模型。编码器结构首先通过 4 个变换块提取特征，每次提取后将特征图的大小减半，并保存每个块的输出特征图，以便在解码器中进行特征融合。编码器和解码器都有 4 层，并且是对称的。解码过程需要拼接变换器块的输出特征图，利用卷积进行融合，然后进行上采样，以完成图像的降级和维度化。图像的逐像素分类最终由分割头完成，图 3 描述了模型的整体结构。该模型使用两个不同的骨架（小骨架和大骨架），其深度各不相同，大骨架的模型层比小骨架的模型层深。

图2模型的整体结构图

图3是树根分割结果，我们改进的方法能更有效地处理根系的边界（如图3中蓝色方框所示）。SegFormer-UN可以识别并连接低对比度的根系，并识别出越来越多的完整根系，而其他模型在根系识别方面表现出不连续性，有些模型无法识别某些根系。然而，在处理严重土壤颗粒闭塞问题时，上述所有模型的结果都不理想。由于土壤颗粒遮挡严重，一些根系处于模糊不清的状态，使得所有分割模型都难以准确识别根系。不过，与其他模型相比，本研究提出的模型以及SwinUNet和TransUNet在分割模糊根系方面的表现相对较好。

图3 树根分割结果

图4利用SegFormer-UN模型，可在注释图像的基础上自动计算衰老根颜色权重，从而获得比图像处理更好的根提取性能（处理时间和图像识别）。小块分类错误的根系被修正后不会影响整体根系分类。因此，从像素角度来看，修正后的老化根系识别结果更加准确。训练和推理配置与根系分割的配置相同。

图4 时间序列衰老根与矫正结果

本文提出了一种基于变压器神经网络的棉花原位根衰老特征提取技术。不同衰老程度的高分辨率原位根图片是研究的主要对象。通过比较一般卷积神经网络和变压器神经网络对根系的语义分割，SegFormer-UN（large）获得了最佳评价指标，mIoU、mRecall、mPrecision 和 mF1 指标值分别为 81.52%、86.87%、90.98% 和 88.81%。分割结果表明，对分割图像中根系连接处的预测更为准确。

论文链接：

‍https://doi.org/10.34133/plantphenomics.0159

——推荐阅读——

In Situ Root Dataset Expansion Strategy Based on an Improved CycleGAN Generator

‍https://doi.org/10.34133/plantphenomics.0148‍

Plant Phenomics | 河北农业大学开发植物根部研究新工具：CycleGAN生成器的创新应用

Fast and Efficient Root Phenotyping via Pose Estimation

‍https://doi.org/10.34133/plantphenomics.0175‍

Plant Phenomics | 利用深度学习技术实现地标的快速检测与分组，为根表型分析提供高效无缝的解决方案

加入作者交流群