植物的根系是全球生物圈的重要组成部分，其负责为植物生长觅取所必须的水分和养分资源。水分和养分的吸收能力往往是限制植物器官生长和产量形成的重要因素，而该能力的强弱又与根系的长度、直径或分支数等参数直接相关。因此，对根系数据的采集和分析正变得愈发重要。

由于根系所处位置的特殊性，使得研究者对根系的直接目视测量存在一定的难度。为了避免测量工作对植物本身以及周围环境的影响，研究者通常会采用常设设备（如微根管测量装置等）的方式进行测量。在过去的科学实践中，微根管测量法的有效性已得到证明，能够在采集根系相关数据的同时降低对植株和环境因素的影响。然而，对于规模较大的微根管设施而言，随着根深和时间的推移，最终能够采集到上万张乃至更多的图像数据，人工分析费时费力，因此有必要采用自动化的方式进行数据分析；并且，根系周围的土壤条件往往会随深度变化，使得最终获取的图像具有不均匀的光照或颜色特征，给后续的自动化图像分析带来一定的挑战。

近日，Plant Phenomics 在线发表了Forschungszentrum Jülich GmbH题为Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline的研究论文。

在该文章中，作者基于时下最新的技术和软件，开发了一个通用的、自动化的微根管图像分析方法（Figure 1）并进行了实际验证。该方法主要由两个模块组成，适用于大规模的微根管图像数据集：首先，基于少量图像构建训练集，使用RootPainter软件完成图像的分割和标注，使用标注后的图像训练深度学习根系分割模型，并基于此模型提取后续图像中的根系对象；然后，采用RhizoVision Explorer软件进行图像后处理工作，从RootPainter软件输出的图像分割结果中自动化量化分析与根系相关的数据（Figure 2）。在方法验证中，作者手动标注了超过36, 500张图像数据，并将其与该文所述自动化提取方法的输出结果进行对比分析。结果表明，自动化方法分析的根长数据与人工分析有较高的相关性（r=0.9，Figure 3）；与人工分析相比，自动化分析节约了高达98.1%~99.6%的分析时长，大大提高了微根管图像数据分析的效率。

Figure 1: Schematic overview of the workflow of the automated analysis pipeline starting with image acquisition in the minirhizotron facility.

Figure 2: Example for one image processed by the automated root analysis pipeline.

Figure 3: Correlation of automated and manual analyzed root length, obtained from 2017.

论文链接：

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

——推荐阅读——

Objective Phenotyping of Root System Architecture Using Image Augmentation and Machine Learning in Alfalfa (Medicago sativa L.)

https://doi.org/10.34133/2022/9879610

Plant Phenomics | 基于图像增强和机器学习的苜蓿根系表型研究Complementary Phenotyping of Maize Root System Architecture by Root Pulling Force and X-Ray Imaging

https://doi.org/10.34133/2021/9859254

Plant Phenomics | 基于根提拉力和X射线成像的玉米根系结构表型研究