根是植物吸收水分和养分的重要器官，对植物生长和生产力起着至关重要的作用。优良的根系发育也是优质高产作物的基础。研究根系表型是探索作物生长发育、培育优良作物品种的重要依据，因此完整准确地获取根表型信息在根系表型学研究中非常重要。根系原位研究方法可以在不破坏根系的情况下采集根系图像，但是由于部分根系会受到土壤遮挡的影响，采集到图像的结构完整性会受到破坏。因此确保根系原位识别的完整性和建立根系原位表型图像的恢复方法仍有待研究。

2023年7月，Plant Phenomics在线发表了河北农业大学题为Application of Improved UNet and EnglightenGAN for Segmentation and Reconstruction of In Situ Roots的研究论文。

本研究首先连续110天采集了棉花的根部原位图像数据，然后利用不同的语义分割方法对其根部原位图像进行分割，并比较了不同方法间的优缺点，其次调整EnlightenGAN的参数权重进行训练，生成更完整的重建根系图像，最后在利用迁移学习增强了重建根图像的分割，实现了根系原位图像的完整重建与分割（图1 流程图）。

研究结果表明， 3种不同的模型在分割中的应用都有有点与缺点，而UNet相比较SegNet和DeeplabV3+来说，其对主根识别的效果更好。同时消融实验结果表明，在结合网络性能和图像分割效率与准确度来看，改进的方法具有良好的表现（图2），当利用EnlightenGAN重建根图像时，经过200次的迭代，明确的重建根；经过1000次迭代时，将重建一个完整的根原位图像（图3）。

该研究以棉花的根系原位图像为基础，利用了多种图像分割-重建分析方法，完成了根系原位完整图像的恢复与分割，为根系的原位表型研究提供了新策略。

图1研究流程图

图2网络比较和消融实验

图3迁移学习与迭代根生成比较图

论文链接：

‍https://doi.org/10.34133/plantphenomics.0066

——推荐阅读——

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

https://doi.org/10.34133/2022/9758532

Plant Phenomics | 基于深度学习的微根管图像自动化分析方法

3D U-Net Segmentation Improves Root System Reconstruction from 3D MRI Images in Automated and Manual Virtual Reality Work Flows

https://doi.org/10.34133/plantphenomics.0076

Plant Phenomics | 利用3D U-Net分割改进自动和手动虚拟现实工作流程中3D MRI图像的根系重建

加入作者交流群