![]()
→查看原文 →查看PDF
杂草是导致农作物产量下降的主要生物因素。然而除草剂的广泛使用和不加区分的除草行为对环境造成了巨大不良影响。精准杂草管理（SSWM）是一种数字农业中能够降低能源损失的杂草管理策略。深度学习在开发SSWM中至关重要，它能够区分作物和杂草并识别杂草种类。然而，这项技术需要大量的数据标注工作，这需要杂草科学和农学方面的专业知识。本研究提出了一种基于通道注意力机制的生成对抗网络（CA-GAN），该网络能够生成逼真的合成杂草数据。模型的性能使用两个数据集进行了评估：公共的分割植物幼苗数据集（sPSD），包含来自耕地的九种常见阔叶杂草，以及日本可持续农业生态系统服务研究所（ISAS）数据集，包含日本常见的五种夏季杂草。结果显示，所提出的CA-GAN生成的合成数据集在sPSD上获得了82.63%的识别准确率，在ISAS数据集上获得了93.46%的识别准确率。通过Fréchet初始距离（FID）分数测试，合成数据集与真实数据集的相似度得到衡量，sPSD数据集的FID分数为20.95，ISAS数据集的FID分数为24.31。总体实验结果表明，所提出的方法在图像质量、多样性和可辨识度方面优于之前的最先进的GAN模型，成为合成农业数据生成的有力方法。2024年5月，Plant Phenomics 在线发表了日本东京大学郭威团队题为Channel Attention GAN-Based Synthetic Weed Generation for Precise Weed Identification的论文。![]()
图1 来自 sPSD 的真实数据样本。每列代表不同的植物种类。背景由黑变白，以增强图像对比度。值得注意的是，整篇文章始终使用欧洲和地中海植物保护组织（EPPO）的编码方案来识别植物物种，如 EPPO 2018 所述。
![]()
图2 来自 ISAS 数据集的真实数据样本。每一列代表一个不同的物种，背景由空白变为白色，以增强图像对比度。植物物种也根据 EPPO 编码方案进行了统一标识。
![]()
图3 集成 SE 模块的通道注意模块架构。(A) ResNet 上采样块，其特点是残差块后有一个 SE 模块。(B) ResNet 下采样块，在残差块之后集成了 SE 模块。![]()
图4 发生器和鉴别器的 CA-GAN 模型结构。(A) 生成器--128 × 1 噪声输入 FC 层，大小调整为 1,024 × 4 × 4，通过五个生成器模块，然后通过 BN、ReLU、Conv 和 Tanh 输出合成图像。(B) 鉴别器--3 × 128 × 128 图像输入经过三个鉴别器块、标签投影（嵌入、广播、连接）与块输出，然后再经过三个鉴别器块、全局平均池化和 FC 层，得到源输出。![]()
图6 基于 sPSD 训练的 CA-GAN 合成数据示例。每一行代表一个固定的噪声矢量输入，不同的列代表不同的杂草种类。
图10 使用辅助分类器评估标准 sPSD 数据集（A）和辅助 ISAS 数据集（B）中真实样本时的平均混淆矩阵，表示分类准确性。辅助分类器进行评估时的平均混淆矩阵。每一行都根据特定类别的真实标签数量进行了归一化处理。
![]()
图13 sPSD 的 CA-GAN 潜在空间可视化。不同的列代表不同种类的杂草，而不同的行从上到下代表输入噪声从 z1 到 z2 的连续变化。
为了克服在杂草识别领域数据获取的限制，本研究引入了一种基于通道注意力机制的生成对抗网络（CA-GAN）来生成多样化的高保真杂草图像。实验结果表明，CA-GAN模型能够生成具有复杂形状和纹理特征的高质量合成杂草图像。CA-GAN模型在合成农业数据生成方面展示了优越的性能，为精准杂草管理提供了新的可能性，有助于提高农业生产效率，减少环境影响。
研究中所使用的代码和数据已开源：
https://github.com/UTokyo-FieldPhenomics-Lab/WeedGeneration
Enhancing green fraction estimation in rice and wheat crops: a self-supervised deep learning semantic segmentation approach
https://doi.org/10.34133/plantphenomics.0064
Plant Phenomics |【模型公开】从三维模拟到田间应用：水稻小麦冠层动态表型
Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images
https://doi.org/10.34133/plantphenomics.0020
Plant Phenomics ESI高被引论文 | 基于高通量无人机RGB图像的水稻植株计数、定位和大小估计方法
扫码添加小编微信，拉您进入《植物表型组学》作者交流群，群内不定期开展作者分享会、专刊发布会等高质量活动。
![]()
添加小编微信，备注姓名+单位+PP，加入作者交流群《植物表型组学》（Plant Phenomics）是由南京农业大学和美国科学促进会（AAAS）合作创办的英文学术期刊，于2019年1月正式上线发行。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2022影响因子为7.6，位于农艺学、植物科学、遥感一区。2023年中科院期刊分区位于农林科学大类一区。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目。
说明：本文由《植物表型组学》编辑部负责组稿。
审核：孔敏、王平
点击“在看”，助力传播 ![]()
