摘要：引用格式：胡玲艳, 郭睿雅, 郭占俊, 徐国辉, 盖荣丽, 汪祖民, 张宇萌, 鞠博文, 聂晓宇. 融合PDE植物时序图像对比学习方法与GCN跳跃连接的U-Net温室甜樱桃图像分割方法[J]. 智慧农业(中英文), 2025, 7(3): 131-142.
引用格式：胡玲艳, 郭睿雅, 郭占俊, 徐国辉, 盖荣丽, 汪祖民, 张宇萌, 鞠博文, 聂晓宇. 融合PDE植物时序图像对比学习方法与GCN跳跃连接的U-Net温室甜樱桃图像分割方法[J]. 智慧农业(中英文), 2025, 7(3): 131-142.
DOI： 10.12133/j.smartag.SA202502008
HU Lingyan, GUO Ruiya, GUO Zhanjun, XU Guohui, GAI Rongli, WANG Zumin, ZHANG Yumeng, JU Bowen, NIE Xiaoyu. U-Net Greenhouse Sweet Cherry Image Segmentation Method Integrating PDE Plant Temporal Image Contrastive Learning and GCN Skip Connections [J]. Smart Agriculture, 2025, 7(3): 131-142.
融合PDE植物时序图像对比学习方法与GCN跳跃连接的U-Net温室甜樱桃图像分割方法
胡玲艳1， 郭睿雅1， 郭占俊2， 徐国辉1， 盖荣丽1， 汪祖民1*， 张宇萌1， 鞠博文1， 聂晓宇1*
（1.大连大学 信息工程学院，辽宁大连 116622，中国； 2.大连市现代农业生产发展服务中心，辽宁大连 116021，中国）
摘要：
［目的/意义］在植物表型特征提取中，面临小目标边界难以精确分割、上采样细节恢复空间信息不足等问题。提出一种融合嵌入先验距离（Priori Distance Embedding, PDE）植物时序图像对比学习方法，预训练与图卷积网络（Graph Convolutional Networks, GCN）跳跃连接的U-Net温室甜樱桃图像分割方法，借助预训练加速模型收敛，优化特征融合，为图像分割提供技术支持。
［方法］将PDE植物时序图像对比学习方法的预训练权重迁移至语义分割任务；Encoder模块通过卷积-池化层执行多尺度特征提取，分层输入图像的语义信息，构建从低层纹理到高层语义的表示；利用Decoder模块进行上采样操作，融合不同尺度特征并恢复图像分辨率；Encoder和Decoder连接处，加入GCN，形成跳跃连接，使网络更容易学习多尺度图像的局部特征。
［结果和讨论］从纵向消融实验和横向对比多角度进行试验，并结合准确率、召回率、F1分数等评价指标综合分析，可以验证本研究提出的融合PDE植物时序图像对比学习方法与GCN跳跃连接的U-Net在甜樱桃图像语义分割中的性能表现最佳，准确率可达0.955 0。
［结论］通过将PDE植物时序图像对比学习方法和GCN技术融合，构建面向植物表型分析的增强型U-Net架构。研究结果表明该方法在复杂场景下能有效解决小目标边界模糊、细节丢失等难题，实现对甜樱桃图像主要器官和背景区域的精确分割，提高原始模型的分割准度，对农业智慧化发展具有重要的实践意义。
关键词：嵌入先验距离；迁移学习；图卷积网络；U-Net；跳跃连接；植物表型
文章图片
图1 樱桃植株数据采集设备
Fig. 1 Data acquisition equipment for cherry plant
图2 甜樱桃图像序列
Fig. 2 Sequence of cherry image
注：1）为甜樱桃彩色图像；2）为甜樱桃各器官分割标签。
图3 甜樱桃图像及各器官语义分割标签
Fig. 3 Cherry image and semantic segmentation labels of each organ
图4 PDE植物时序图像对比学习方法预训练下的Encoder迁移
Fig. 4 Transfer of Encoder under PDE plant temporal image contrastive learning method
图5 GCN跳跃连接完整网络构架图
Fig. 5 Diagram of the complete network architecture of the GCN hop connection
图6 融合PDE植物时序图像对比学习方法和GCN跳跃连接的语义分割结果图
Fig. 6 Semantic segmentation results fused with PDE plant temporal image contrastive learning method and GCN hopping connections
图7 U-Net改进模型对比试验图
Fig. 7 Comparative test diagram of the improved U-Net model
通信作者介绍
汪祖民 教授
汪祖民，博士，教授，大连大学信息工程学院院长，大连大学领军型创新创业团队负责人，大连市高端人才，辽宁省优秀科技工作者；大连市智慧医疗与健康重点实验室主任，辽宁省北斗高精度位置服务技术工程实验室主任；中国计算机自动测量与控制技术协会常务理事，中国计算机学会理事、杰出会员，中国智慧城市产业技术创新战略联盟智慧健康技术创新示范基地负责人，中国人工智能学会高级会员，大连市计算机学会理事长。在IEEE、CCF等国际国内顶级学术组织主办的多个大会中担任大会主席、程序委员会主席等，是国家科技部与教育部等部门的项目、学科评审专家，是辽宁、陕西、安徽、大连等多个省市的项目评审专家。近年来，主持各类科研项目近20项，发表学术论文100余篇，作为第一发明人获授权中国发明专利16件、PCT专利1件，获得辽宁省教学成果一等奖1项、辽宁省科技进步二等奖1项、辽宁省科技进步三等奖2项、大连市科技进步二等奖1项。
聂晓宇 助理实验师
聂晓宇，大连大学信息工程学院助理实验师，从事智慧农业，故障诊断、病虫害诊断等方面的研究。发表论文2篇，软件著作权1项。
转载请联系编辑部授权
本期支持单位
为方便农业科学领域读者、作者和审稿专家学术交流，促进智慧农业发展，为更好地服务广大读者、作者和审稿人，编辑部建立了微信交流服务群，有关专业领域内的问题讨论、投稿相关的问题均可在群里咨询。 入群方法： 加小编微信17346525780，备注：姓名、单位、研究方向，小编拉您进群，机构营销广告人员勿扰。
来源：智慧农业资讯一点号
