根系結(jié)構(gòu)是植物吸收水分和養(yǎng)分的重要器官，在植物生長(zhǎng)和生產(chǎn)力中起著重要作用。根系構(gòu)型直接接觸土壤，首先感知土壤環(huán)境條件下的變化，影響作物吸收水分和養(yǎng)分的好壞，與產(chǎn)量有很強(qiáng)的相關(guān)性。準(zhǔn)確檢測(cè)和分析根系表型是分析作物對(duì)環(huán)境條件響應(yīng)的關(guān)鍵。

2024年2月，Plant Phenomics 在線發(fā)表了河北農(nóng)業(yè)大學(xué)機(jī)電工程學(xué)院團(tuán)隊(duì)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(jìn)的CycleGAN生成器對(duì)原位根數(shù)據(jù)集展開(kāi)的方法。此外，提出了基于空間坐標(biāo)的目標(biāo)背景分離方法，解決了因生成器誤差導(dǎo)致的背景像素變化問(wèn)題。與傳統(tǒng)的閾值分割方法相比，該方法表現(xiàn)出優(yōu)越的速度、精度和穩(wěn)定性。此外，通過(guò)時(shí)分土壤圖像采集，可以在原位根圖像中替換不同的培養(yǎng)基，從而增強(qiáng)數(shù)據(jù)集的通用性。實(shí)驗(yàn)結(jié)果證實(shí)了所提出的數(shù)據(jù)集增強(qiáng)策略的可行性和實(shí)用性。
 

圖1本研究總體工作流程
 

圖2改進(jìn)后的發(fā)電機(jī)示意圖

圖3用于擴(kuò)展配置分析的根圖像生成方法

圖2是改進(jìn)后的發(fā)電機(jī)示意圖，對(duì)于生成器，我們比較了以下變化:將生成器網(wǎng)絡(luò)改為4層下采樣，并在解碼器對(duì)應(yīng)的每一層增加跳過(guò)連接和CBAM關(guān)注模塊。使用了Pixelshuffle算法，而不是原來(lái)的卷積上采樣。此外，用擴(kuò)張率分別為1、2、5的擴(kuò)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(huì)降低生成的根圖像的質(zhì)量。針對(duì)上述問(wèn)題，本文提出了基于紅綠藍(lán)(RGB)直方圖的閾值選擇后處理策略和基于空間坐標(biāo)的目標(biāo)背景分離方法兩種方法

本文提出了基于改進(jìn)生成器CycleGAN的原位根數(shù)據(jù)集擴(kuò)展策略，并提出了基于空間坐標(biāo)的根背景統(tǒng)一后處理方法，解決了由于網(wǎng)絡(luò)產(chǎn)生的誤差導(dǎo)致背景像素不同的問(wèn)題。因此難以對(duì)根進(jìn)行分割。與傳統(tǒng)的閾值分割方法相比，該方法具有更好的準(zhǔn)確率和穩(wěn)定性。同時(shí)，本實(shí)驗(yàn)通過(guò)時(shí)分采集，實(shí)現(xiàn)了原位根圖像中多種培養(yǎng)基的替換，增強(qiáng)了數(shù)據(jù)集的通用性。經(jīng)過(guò)對(duì)Improved_UNet網(wǎng)絡(luò)的驗(yàn)證，增強(qiáng)后的數(shù)據(jù)集在網(wǎng)絡(luò)性能比較上mIOU提高了0.63%，F(xiàn)1提高了0.41%，準(zhǔn)確率提高了0.04%;在泛化性能比較上，mIOU提高了33.6%，F(xiàn)1提高了28.11%，準(zhǔn)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(xué)習(xí)在沒(méi)有分割注釋的根圖像中自動(dòng)估計(jì)根長(zhǎng)的應(yīng)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(xué)習(xí)的微根管圖像自動(dòng)化分析方法

加入作者交流群

掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開(kāi)展作者分享會(huì)、專(zhuān)刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

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(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開(kāi)放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)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(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄�？祁Ｎò睯CR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類(lèi)一區(qū)（TOP期刊）。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說(shuō)明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
撰稿：趙毅（南京農(nóng)業(yè)大學(xué)）
編輯：蘇梓鈺（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平