根系結構是植物吸收水分和養分的重要器官，在植物生長和生產力中起著重要作用。根系構型直接接觸土壤，首先感知土壤環境條件下的變化，影響作物吸收水分和養分的好壞，與產量有很強的相關性。準確檢測和分析根系表型是分析作物對環境條件響應的關鍵。

2024年2月，Plant Phenomics 在線發表了河北農業大學機電工程學院團隊題為In Situ Root Dataset Expansion Strategy Based on an Improved CycleGAN Generator 的研究論文。
 

本研究提出了一種利用改進的CycleGAN生成器對原位根數據集展開的方法。此外，提出了基于空間坐標的目標背景分離方法，解決了因生成器誤差導致的背景像素變化問題。與傳統的閾值分割方法相比，該方法表現出優越的速度、精度和穩定性。此外，通過時分土壤圖像采集，可以在原位根圖像中替換不同的培養基，從而增強數據集的通用性。實驗結果證實了所提出的數據集增強策略的可行性和實用性。
 

圖1本研究總體工作流程
 

圖2改進后的發電機示意圖

圖3用于擴展配置分析的根圖像生成方法

圖2是改進后的發電機示意圖，對于生成器，我們比較了以下變化:將生成器網絡改為4層下采樣，并在解碼器對應的每一層增加跳過連接和CBAM關注模塊。使用了Pixelshuffle算法，而不是原來的卷積上采樣。此外，用擴張率分別為1、2、5的擴展卷積組合代替殘差塊中的卷積。

圖3是CycleGAN生成的根圖像的背景像素是不同的，直接使背景透明會降低生成的根圖像的質量。針對上述問題，本文提出了基于紅綠藍(RGB)直方圖的閾值選擇后處理策略和基于空間坐標的目標背景分離方法兩種方法

本文提出了基于改進生成器CycleGAN的原位根數據集擴展策略，并提出了基于空間坐標的根背景統一后處理方法，解決了由于網絡產生的誤差導致背景像素不同的問題。因此難以對根進行分割。與傳統的閾值分割方法相比，該方法具有更好的準確率和穩定性。同時，本實驗通過時分采集，實現了原位根圖像中多種培養基的替換，增強了數據集的通用性。經過對Improved_UNet網絡的驗證，增強后的數據集在網絡性能比較上mIOU提高了0.63%，F1提高了0.41%，準確率提高了0.04%;在泛化性能比較上，mIOU提高了33.6%，F1提高了28.11%，準確率提高了2.62%。
 

論文鏈接：

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

——推薦閱讀——

Automatic Root Length Estimation from Images Acquired In Situ without Segmentation

https://doi.org/10.34133/plantphenomics.0132‍

Plant Phenomics | 深度學習在沒有分割注釋的根圖像中自動估計根長的應用

Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline

https://doi.org/10.34133/2022/9758‍532

Plant Phenomics 精選2022 | 基于深度學習的微根管圖像自動化分析方法

加入作者交流群

掃碼添加小編微信，拉您進入《植物表型組學》作者交流群，群內不定期開展作者分享會、專刊發布會等高質量活動。

添加小編微信，備注姓名+單位+PP，加入作者交流群

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數據庫收錄。科睿唯安JCR2022影響因子為6.5，位于農藝學、植物科學、遙感一區。中科院農藝學、植物科學一區，遙感二區，生物大類一區（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。

說明：本文由《植物表型組學》編輯部負責組稿。
中文內容僅供參考，一切內容以英文原版為準。
撰稿：趙毅（南京農業大學）
編輯：蘇梓鈺（南京農業大學）
審核：孔敏、王平