作物根系在農業生態系統中發揮著重要作用。根系對于水分和養分的吸收、植物的穩定性、微生物共生以及良好的土壤結構至關重要。微根管已被證明對無創根系研究是有效的。因此，可以在整個作物生長季獲得根系性狀，如根長度。在傳統的軟件工具下，使用一般的手動標注方法分析來自微型根管的數據集既費時又費力。因此，需要一種客觀的高通量圖像分析方法來為田間根系表型提供數據。


在這項研究中，我們開發了一個結合了先進軟件工具、深度神經網絡和自動特征提取的算法該算法由兩個主要組件組成，并應用于來自 微根管 的大型根系圖像數據集。首先，使用小樣本圖像訓練的神經網絡模型進行分割，訓練和分割是使用“RootPainter”完成的。然后，由“RhizoVision Explorer”從片段中自動提取特征。

由自動根系分析算法處理一張圖像的示例。(a) RootPainter 根據之前訓練的模型“檢測”到根。(b) 導出的分割圖像 (c) 轉換為二進制的圖像。(d) 最后一步是使用 RhizoVision Explorer 進行骨架化和特征提取。

為了驗證我們的自動化分析流程的結果，我們對超過 36,500 張圖像進行了手動標注和自動處理數據之間的根長度比較。主要是結果顯示手動和自動確定的根長度之間的高度相關性。在處理時間方面，我們的新流程比手動標注要好 98.1-99.6%。我們的算法流程結合了最先進的軟件工具，顯著減少了 微根管 圖像的處理時間。因此，圖像分析不再是高通量表型分析方法的瓶頸。

來源：Plant Phenomics.Development and Validation of a Deep Learning Based Automated Minirhizotron Image Analysis Pipeline.Felix Maximilian Bauer , Lena L?rm , Shehan Morandage , Guillaume Lobet , Jan Vanderborght , Harry Vereecken , and Andrea Schnepf

https://spj.sciencemag.org/journals/plantphenomics/2022/9758532/