根系结构（Root System Architecture，RSA）在通过地下根系性状实施植物改良方面正受到越来越多的关注。现代计算技术应用于图像，为通过RSA分析（使用图像识别/分类根系类型和特征）推进植物性状改良和选择提供了新的途径。然而，基于图像的RSA表型分析的一个主要障碍是图像标签噪声，这降低了以图像作为直接输入的模型的准确性。

2024年9月，Plant Phenomics在线发表了University of Minnesota和Washington State University等单位合作完成的题为Phenotyping Alfalfa (Medicago sativa L.) Root Structure Architecture via Integrating Confident Machine Learning with ResNet-18的研究论文。

为了解决标签噪声问题，Brandon J.Weihs等人开发了一种人工智能模型，能够直接从图像中对苜蓿（Medicago sativa L.）的RSA进行分类，并将其与下游标签改进方法相结合。将不同模型输出的图像与手动根系分类进行了比较，并测试了可信机器学习（CL）和反应式机器学习（RL）方法，以最大限度地减少主观标记的影响，从而提高标记和预测的准确性。

紫花苜蓿根颈RSA（根系结构）取样与成像、图像标签创建与校正以及模型实施的工作流程如下：其中橙色表示田野或实验室取样；紫色表示图像准备方法；蓝色表示建模方法；黄色表示图像标签校正过程；粉色表示图像标签校正步骤；绿色表示在新数据集上的模型验证及对未标记数据的预测；红色表示模型对新数据集图像的预测。

图1 紫花苜蓿根颈RSA（根系结构）取样与成像、图像标签创建与校正以及模型实施的工作流程

图2 从MN数据集导出的随机森林和ResNet-18混淆矩阵

图3 采用跨种群和合并分析的ResNet-18混淆矩阵

图2展示了四个不同的混淆矩阵，分别对应于两种模型（RF和ResNet-18）在原始和修正后的MN数据集上的表现：(A) 来自Xu等人的RF预测准确性 (B) 经修正的MN标签的RF混淆矩阵 (C) 原始MN标签的ResNet-18混淆矩阵。(D) 经修正的MN标签的ResNet-18混淆矩阵。图3展示了四个不同的ResNet-18混淆矩阵，它们展示了模型在原始标签、修正标签、合并标签以及合并可信标签下的性能：(A) 来源于原始（MN和OK）标签的ResNet-18混淆矩阵。(B) 来源于修正后（MN和OK）标签的ResNet-18混淆矩阵。(C) 来源于合并（n = 881）标签的ResNet-18混淆矩阵。(D) 来源于合并可信（n = 608）标签的ResNet-18混淆矩阵。

实验的结果证明，CL算法适度提高了随机森林模型对MN数据集的整体预测准确度（1%），而在ResNet-18模型的结果中观察到了更大的准确性提升。与原始/预处理的数据集相比，CL方法使得ResNet-18的跨种群预测准确度提高了约8%到13%。训练和测试数据组合中，预测主根RSA的最高准确度（86%）来自CL和/或RL修正的数据集。同样地，对于中间RSA类别的最高准确度也来自于修正后的数据组合。使用ResNet-18模型在包含两个采样地点图像的合并数据集上应用CL所达到的最高整体准确度约为75%。当采用CL和RL时，紫花苜蓿RSA图像标签的ResNet-18深度神经网络预测准确度得以提升。通过增加数据集规模以减少过拟合的同时发现并纠正图像标签错误，Brandon J.Weihs等人证明了使用半自动化的计算机辅助预处理和数据清理（CL/RL）可以实现高达约11%至13%的准确性提升。

论文链接：

https://doi.org/10.34133/plantphenomics.0251

——推荐阅读——

The State of the Art in Root System Architecture Image Analysis Using Artificial Intelligence: A Review

https://doi.org/10.34133/plantphenomics.0178

Plant Phenomics 综述 | 利用人工智能进行根系结构成像分析的最新进展

加入作者交流群