基于改进Mask R-CNN模型的秀珍菇表型参数自动测量方法

• Published in: 智慧农业（中英文） Vol. 5; no. 4; pp. 117 - 126
• Main Authors: 周华茂, 王婧, 殷华, 陈琦
• Format: Journal Article
• Language: Chinese
• Published: 中国农业科学院农业信息研究所 30.12.2023; 江西农业大学 工学院,江西南昌 330045,中国%江西农业大学 计算机与信息工程学院,江西南昌 330045,中国
• Subjects: 表型分析; 改进的特征金字塔; SimAM模块; 秀珍菇; Resnet101; Mask R-CNN; Pleurotus geesteranus; SimAM attention mechanism; improved feature pyramid network; phenotype analysis
• ISSN: 2096-8094
• DOI: 10.12133/j.smartag.SA202309024

[目的/意义]秀珍菇表型是其品质和栽培环境适应性的反映，但目前人工测量表型参数耗时费力、主观性强，亟需自动化分析手段。[方法]一种基于改进Mask R-CNN的秀珍菇测量模型PG-Mask R-CNN（Pleurotus geesteranus-Mask Region-Based Convolutional Neural Network），提出以损伤率为指标的裂纹评价方法，并对其进行量化评价。PG-Mask R-CNN模型以Mask R-CNN为主体，通过向特征提取网络Resnet101中添加Sim AM注意力机制，在不增加原始网络参数的情况下提高网络性能；采用改进的特征金字塔进行多尺度融合，融合多层级的信息进行预测；将GIo U（Generalized Intersection over Union）边界框回归损失函数替代原有的Io U（Intersection over Union）损失函数，完善图像重叠度的计算，进一步提高模型性能。[结果和讨论] PG-Mask R-CNN模型目标检测的m AP和m AR分别为84.8%和87.7%，均高于目前主流的YOLACT（You Only Look At Coefficien Ts）、Insta Boost、Query Inst和Mask R-CNN模型；实例分割结果的MRE（Mean Relative Error）为0.90%，均低于其他实例分割模型；PG-Mask R-CNN模型的参数量为51.75 M，略大于原始的Mask R-CNN，均小于其他实例分割模型。对分割后的菌盖和裂纹进行测量，所得结果的MRE分别为1.30%和7.54%，损伤率的MAE（Mean Absolute Error）为0.14%。[结论]本研究提出的PG-Mask R-CNN模型对秀珍菇的菌柄、菌盖及裂纹识别与分割具有较高的准确率，在此基础上能够实现对秀珍菇表型参数的自动化测量，这为后续秀珍菇智慧化育种、智能栽培与分级奠定了技术基础。