根系结构是植物吸收水分和养分的重要器官，在植物生长和生产力中起着重要作用。根系构型直接接触土壤，首先感知土壤环境条件下的变化，影响作物吸收水分和养分的好坏，与产量有很强的相关性。准确检测和分析根系表型是分析作物对环境条件响应的关键。

2024年2月，Plant Phenomics 在线发表了河北农业大学机电工程学院团队题为In Situ Root Dataset Expansion Strategy Based on an Improved CycleGAN Generator 的研究论文。

本研究提出了一种利用改进的CycleGAN生成器对原位根数据集展开的方法。此外，提出了基于空间坐标的目标背景分离方法，解决了因生成器误差导致的背景像素变化问题。与传统的阈值分割方法相比，该方法表现出优越的速度、精度和稳定性。此外，通过时分土壤图像采集，可以在原位根图像中替换不同的培养基，从而增强数据集的通用性。实验结果证实了所提出的数据集增强策略的可行性和实用性。

图1本研究总体工作流程

图3用于扩展配置分析的根图像生成方法

图2是改进后的发电机示意图，对于生成器，我们比较了以下变化:将生成器网络改为4层下采样，并在解码器对应的每一层增加跳过连接和CBAM关注模块。使用了Pixelshuffle算法，而不是原来的卷积上采样。此外，用扩张率分别为1、2、5的扩展卷积组合代替残差块中的卷积。

图3是CycleGAN生成的根图像的背景像素是不同的，直接使背景透明会降低生成的根图像的质量。针对上述问题，本文提出了基于红绿蓝(RGB)直方图的阈值选择后处理策略和基于空间坐标的目标背景分离方法两种方法

本文提出了基于改进生成器CycleGAN的原位根数据集扩展策略，并提出了基于空间坐标的根背景统一后处理方法，解决了由于网络产生的误差导致背景像素不同的问题。因此难以对根进行分割。与传统的阈值分割方法相比，该方法具有更好的准确率和稳定性。同时，本实验通过时分采集，实现了原位根图像中多种培养基的替换，增强了数据集的通用性。经过对Improved_UNet网络的验证，增强后的数据集在网络性能比较上mIOU提高了0.63%，F1提高了0.41%，准确率提高了0.04%;在泛化性能比较上，mIOU提高了33.6%，F1提高了28.11%，准确率提高了2.62%。

论文链接：

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

——推荐阅读——

Automatic Root Length Estimation from Images Acquired In Situ without Segmentation

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

Plant Phenomics | 深度学习在没有分割注释的根图像中自动估计根长的应用

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

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

Plant Phenomics 精选2022 | 基于深度学习的微根管图像自动化分析方法

加入作者交流群