摘 要：為解決背景噪聲干擾下，從微根管采集的原位根系圖像中難以直接提取準(zhǔn)確的表型參數(shù)問題，提出一種基于改進(jìn)U-Net的微根管根系表型參數(shù)測量系統(tǒng)。在U-Net網(wǎng)絡(luò)中引入優(yōu)化后的空洞空間金字塔池化模塊（Atrous Spatial Pyramid Pooling，ASPP）和高效通道注意力模塊（Efficient Channel Attention，ECA），增大感受野，提升模型捕捉根系細(xì)節(jié)特征的能力，獲取精確的根系分割圖像。結(jié)果表明，改進(jìn)的U-Net模型平均交并比和平均像素精度分別為87.07%和91.85%，相較原始U-Net分別提高了2.49%和2.3%。與WinRHIZO根系分析軟件測量值相比，根長度和面積決定系數(shù)分別為0.951 8和0.984 9，Spearman相關(guān)系數(shù)分別為0.972 5和0.975 7，可以實現(xiàn)根系長度和面積的準(zhǔn)確測量。

關(guān)鍵詞：根系表型； 微根管； 圖像分割； 參數(shù)測量； U-Net

中圖分類號：TP391.4 文獻(xiàn)標(biāo)識碼：A DOI：10.7525/j.issn.1006-8023.2024.04.014

Root Phenotypic Parameter Measurement System Based on Improved U-Net

ZHAO Yafeng， LIU Xiaolu， WANG Dongdong， WANG Mengxue， SONG Wenhua， HU Junfeng*

（College of Computer and Control Engineering， Northeast Forestry University， Harbin 150040， China）

Abstract： To address the challenge of accurately extracting phenotypic parameters from in situ root images collected from minirhizotrons amidst background noise interference， this paper proposes a minirhizotron root phenotypic parameter measurement system based on an improved U-Net model. In the U-Net network， optimized ASPP （Atrous Spatial Pyramid Pooling） and ECA （Efficient Channel Attention） modules are employed to increase the receptive field and enhance the ability to capture detailed features， thereby obtaining precise segmentation images. The experimental results show that the mean intersection over union and mean pixel accuracy of the improved U-Net model are 87.07% and 91.85%， which are 2.49% and 2.3% higher compared to the original U-Net， respectively. Compar3c7ba53c750c76d270ba8c53b6982a26ing with measurements obtained using WinRHIZO root analysis software， the determination coefficients for the root length and area are 0.951 8 and 0.984 9. respectively. The Spearman correlation coefficients are 0.972 5 for the root length and 0.975 7 for root area. This indicates the system′s capability to accurately measure the root length and area.

Keywords： Root phenotype； minirhizotron； image segmentation； parameter measurement； U-Net

0 引言

根系是植物的重要部分，不僅能夠幫助植物抵抗自然災(zāi)害，同時也具有良好的土體錨固能力，在穩(wěn)定土壤結(jié)構(gòu)、防風(fēng)固沙、防止水土流失方面具有重要作用［1-2］。研究根系表型參數(shù)對于深入了解植物的生長、改善農(nóng)作物產(chǎn)量和進(jìn)行生態(tài)研究等方面至關(guān)重要［3］。

由于根系生長環(huán)境的限制，根系表型無損檢測一直是近年來的難點和重點。傳統(tǒng)的方法主要依靠土壤挖掘法和洗根法觀察根系結(jié)構(gòu)，但是洗根法作為一種破壞性的取樣方法，不僅費時費力，還可能導(dǎo)致側(cè)根和根毛等精細(xì)的根系特征丟失，根系損失率較高［4］。氣培法、水培法和凝膠培養(yǎng)法等無土培養(yǎng)方法也是一種高通量的植物根系表型觀測方法，但這些無土培養(yǎng)方法影響了根毛的生長，對土壤中生長的植物的實際根系發(fā)育特征的表示有限［5］。并且上述方法僅適用于中小型植物，對于樹木等具有復(fù)雜粗壯的根系植物來說操作難度大，且可實施性低。隨著圖像處理和計算機視覺技術(shù)的發(fā)展，研究者們開始探索利用數(shù)字圖像獲取和分析根系的信息。利用X射線［6］或計算機斷層掃描（Computed Tomography，CT）技術(shù)［7］可以非破壞性地獲取根系的內(nèi)部結(jié)構(gòu)信息，但實施困難、成本高。

微根管法是一種非破壞性且可以長期進(jìn)行的觀測方法，可以在植物的自然生長環(huán)境中進(jìn)行。這種方法有助于保持植物根系的生理狀態(tài)和環(huán)境適應(yīng)能力［8］，能夠應(yīng)用于包含林木在內(nèi)的大多數(shù)植物的生長環(huán)境中，這有助于獲得更真實和可靠的根系形態(tài)和功能信息，同時成本低，對根系生長影響更小，為研究植物根系的形態(tài)、功能、響應(yīng)提供了有力的工具和手段，可實現(xiàn)高通量的根系表型無損檢測。

目前關(guān)于高通量的根系表型信息提取的研究已經(jīng)取得了一些進(jìn)展。Smith等［9］證明了U-Net能夠更精確地捕捉根系的輪廓和形狀，為根系分割提供了一種有效的方法并實現(xiàn)了根長的測量。盧偉等［10］提出一種徑向生長修復(fù)算法，解決了土壤遮擋導(dǎo)致的斷根使表型參數(shù)獲取不準(zhǔn)確的問題。Narisetti等［11］提出在U-Net的每個卷積層后應(yīng)用批量歸一化并避免使用Dropout層，以及對卷積層的核大小進(jìn)行調(diào)整，提高了根系圖像分割的性能和連續(xù)性和根長、根表面積等參數(shù)提取的準(zhǔn)確性。王傳宇等［12］使用光盤作為標(biāo)定物，在固定背景下結(jié)合像素分類背景分割方法實現(xiàn)玉米根系表型數(shù)據(jù)的提取。烏蘭等［13］通過洗根法結(jié)合改進(jìn)的DeepLabV3+網(wǎng)絡(luò)采集并分割馬鈴薯根系圖像，將直尺作為標(biāo)定物實現(xiàn)了根系長度的測量。孫國祥等［14］使用陣列式相機結(jié)合根箱法采集番茄根系圖像，通過引入多頭自注意力機制的U-Net網(wǎng)絡(luò)分割根系圖像并實現(xiàn)番茄根系表型參數(shù)的測量。

為實現(xiàn)高通量的根系表型無損檢測，采用微根管采集原位根系圖像。由于植物根系分割過程繁瑣且難度較大，提出一種改進(jìn)的U-Net模型，引入高效通道注意力模塊（Efficient Channel Attention，ECA）［15］以及優(yōu)化后的空洞空間卷積池化金字塔模塊（Atrous Spatial Pyramid Pooling，ASPP）［16］，增強對細(xì)小根系的分割能力。為根長、根直徑等根系表型參數(shù)提取提供更為有利的條件，有望推動植物根系研究領(lǐng)域的發(fā)展，并為解決重要的生物學(xué)和農(nóng)業(yè)問題提供支持。

1 數(shù)據(jù)與方法

1.1 圖像采集

本試驗通過微根管、工業(yè)內(nèi)窺鏡、智能設(shè)備采集原位根系圖像。選用直徑為4 cm的透明PVC管作為微根管，并將其與被采集植物間隔25 cm，與地面呈45°的傾斜角度埋入地下，微根管兩端使用黑色橡膠帽密封，防止灰塵的進(jìn)入。相機選用最小焦距為2 cm的內(nèi)窺鏡，鏡頭直徑為0.8 cm，配備有6顆可調(diào)節(jié)亮度的LED燈珠，方便相機在昏暗的地下環(huán)境工作。將鏡頭探入微根管內(nèi)，利用智能設(shè)備上的inskam軟件觀察并獲取原位根系圖像，試驗裝置如圖1所示。

通過原位根系圖像采集裝置采集了生長在多種土壤環(huán)境中的植物，包含生長在水淹土壤環(huán)境中的水稻，生長在黑鈣土、砂壤土、黏壤土中的玉米，馬齒莧、蔥作為本試驗的數(shù)據(jù)集，見表1。其中，水稻根系圖像采集于黑龍江省哈爾濱市呼蘭區(qū)，玉米根系圖像采集于山東省濟(jì)南市商河縣，馬齒莧和蔥根系圖像采集于山東省煙臺市萊州市。每周采集一次根系數(shù)據(jù)，持續(xù)進(jìn)行4周，圖像分辨率為1 920×1 080像素。對數(shù)據(jù)集進(jìn)行篩選及分類，去除模糊圖像，最終保留220張原位根系圖像，使用Labelme圖像標(biāo)記工具對獲得的原位根系圖像進(jìn)行標(biāo)注，根系像素標(biāo)記為255，顯示為白色；背景像素標(biāo)記為0，顯示為黑色，并將標(biāo)注后的JAON源文件轉(zhuǎn)換成png格式。

1.2 數(shù)據(jù)擴充與圖像預(yù)處理

對采集到的根系圖像進(jìn)行篩選，去除不完整、模糊的圖像，最終保留220張根系圖像。為防止因數(shù)據(jù)集數(shù)量不足出現(xiàn)過擬合問題，本研究選取其中200張圖像通過隨機旋轉(zhuǎn)、裁剪、加入高斯噪聲的方法擴充數(shù)據(jù)集，最后得到2 000張根系圖片，并按 9∶1的比例將其劃分為訓(xùn)練集和驗證集。剩余20張圖片作為測試集。

由于根系生長環(huán)境的限制，采集到的根系圖像往往存在亮度不足、對比度低等問題，同時，土壤中的根系背景復(fù)雜且存在與根系相似顏色的土壤顆粒，這些背景噪聲的存在都對根系圖像分割造成了干擾。為了減少以上背景噪聲的干擾，本試驗對擴充后的數(shù)據(jù)集進(jìn)行預(yù)處理，其流程如圖2所示。通過灰度變換、圖像歸一化、伽馬校正、圖像均衡化和限制對比度的自適應(yīng)直方圖均衡化（Contrast Limited Adaptive Histogram Equalization，CLAHE），有效提高了植物根系與土壤背景的對比度并減少了噪聲干擾。

1.3 根系分割方法

1.3.1 改進(jìn)的U-Net網(wǎng)絡(luò)

作為語義分割領(lǐng)域的經(jīng)典網(wǎng)絡(luò)框架之一，U-Net首次提出便是為了解決醫(yī)學(xué)領(lǐng)域中數(shù)據(jù)量匱乏這一問題，并通過數(shù)據(jù)擴充展示了其在小數(shù)據(jù)集訓(xùn)練方面的出眾性能?？紤]到植物根系數(shù)據(jù)集同樣存在標(biāo)注的樣本數(shù)量較少的問題，本研究選擇了在U-Net的基礎(chǔ)上加以改進(jìn)來實現(xiàn)植物原位根系圖像分割，改進(jìn)后的U-Net網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。U-Net網(wǎng)絡(luò)包含編碼器、解碼器兩大部分。編碼器部分由卷積操作和下采樣操作組成，在編碼器末端，引入了空洞空間金字塔模塊，增大感受野，捕獲多尺度的上下文信息。解碼器將深層的特征圖與淺層的特征圖進(jìn)行上采樣和融合，從而生成一個與原始輸入圖像相同大小的輸出特征圖，最后，將輸出特征圖通過高效通道注意力模塊進(jìn)行處理，以自適應(yīng)地調(diào)整特征圖的通道權(quán)重，增強對于根系特征的關(guān)注度，從而提高分割根系的性能。

1.3.2 空洞空間金字塔模塊

ASPP模塊最初是在DeepLabv2中提出的，是空洞（Atrous）卷積和空間金字塔池化層（Spatial pyramid pooling）的結(jié)合。通過不同膨脹率的空洞卷積和池化，ASPP模塊可以通過不同的感受野捕獲特征，并避免出現(xiàn)傳統(tǒng)卷積計算量大及分辨率損失的問題。植物根系拓?fù)浣Y(jié)構(gòu)復(fù)雜，根的粗細(xì)不一，且原位根系與土壤對比度較低。為更好地提取植物根系細(xì)節(jié)特征，增強模型對不同尺度根系的分割能力，本研究在ASPP模塊上增加一層卷積層，并采用4、8、12、16作為膨脹系數(shù)。將優(yōu)化后的ASPP模塊嵌入到編碼器末端，提高對不同尺度根系的感知能力，加強對根系細(xì)節(jié)特征的提取。ASPP結(jié)構(gòu)如圖4所示。

1.3.3 高效通道注意力模塊

目前常用的注意力機制包含通道注意力、空間注意力、自注意力3種，通道注意力通過網(wǎng)絡(luò)學(xué)習(xí)的方式自動獲取每個特征通道的重要程度，然后再為每個通道賦予不同的權(quán)重系數(shù)，以此來達(dá)到強化重要特征、抑制非重要特征的目的。而ECA注意力模塊去除了SE注意力機制（Squeeze and Excitation Networks）中的全連接層，將其改為1×1的卷積核，使用動態(tài)的卷積核來進(jìn)行跨通道交互，卷積核的大小可通過函數(shù)自適應(yīng)變化，解決輸入特征圖不同時提取不同范圍的特征的問題。ECA模塊可以不降維地實現(xiàn)局部交叉信道交互，在避免維度縮減的同時不增加模型的復(fù)雜度。本研究在U-Net模型的最終輸出卷積層前引入了ECA模塊，使模型在做出最后的分割決策前，更加關(guān)注植物根系中最為重要的特征，抑制無效的背景特征，減少土壤顆粒等背景噪聲對根系分割的影響，提升模型的分割精度，增強其對不同圖像的適應(yīng)性。

1.3.4 評價指標(biāo)

本研究使用準(zhǔn)確性（Accuracy，ACC）、平均交并比（Mean intersection over union，MIou）、平均像素精度（Mean pixel accuracy，MPA）、F1分?jǐn)?shù)這4個指標(biāo)評估神經(jīng)網(wǎng)絡(luò)模型的性能。

1.4 原位根系表型參數(shù)測量

相機標(biāo)定是圖像測量中相當(dāng)關(guān)鍵的環(huán)節(jié)，標(biāo)定結(jié)果的精度直接影響了后續(xù)根系參數(shù)結(jié)果的準(zhǔn)確度。本試驗采用張正友棋盤格標(biāo)定法對相機參數(shù)進(jìn)行標(biāo)定［17］，這種標(biāo)定方法介于傳統(tǒng)標(biāo)定法和自標(biāo)定法之間，不僅克服了傳統(tǒng)標(biāo)定法需要的高精度標(biāo)定物的缺點，也比自標(biāo)定法具有更高的精度。選擇行列數(shù)為6×8、每個方格長寬均為2.7 cm的棋盤格作為標(biāo)定物，相機與棋盤格的間距為25 cm，相機姿態(tài)與實地采集根系圖像時保持一致。使用根系圖像采集設(shè)備完成相機標(biāo)定，獲得單位像素與實際距離之間的對應(yīng)關(guān)系，即長度標(biāo)定系數(shù)。

圖像細(xì)化一般是二進(jìn)制圖像的骨架化（Image skeletonization）的一種操作運算，也是根系參數(shù)測量過程中不可或缺的步驟，本試驗通過Zhang-Suen算法從分割后的根系圖像中提取根系骨架。

Zhang-Suen算法的每一次迭代都要遍歷所有不為零的像素，在對每個像素進(jìn)行刪除或保留的判斷時都要關(guān)注其周圍的8個像素的值，將圖像線條從多像素寬度變?yōu)閱蜗袼貙挾龋瑥亩诒Ａ舾低負(fù)浣Y(jié)構(gòu)的基礎(chǔ)上得到最接近根系中軸的骨架圖，如圖5所示。

借助根系骨架圖，在根上選取一點作為起始像素位置，對其周圍8個鄰域像素進(jìn)行搜索并記錄方向碼，并不斷重復(fù)這個過程。8鄰域方向碼如圖6所示，假設(shè)中心像素P0與P2、P4、P6、P8之間的像素距離為1，與P1、P3、P5、P7之間的像素距離為√2，即若相鄰兩像素間的方向碼為偶數(shù)，其像素距離為1；若相鄰兩像素間的方向碼為奇數(shù)，其像素距離為√2。統(tǒng)計各像素間奇數(shù)方向碼和偶數(shù)方向碼出現(xiàn)的次數(shù)，并分別記作NO、NJ，由公式（1）計算得到根系長度L。

L=（√2 N_O+N_J）×B。 （1）

式中，B=0.685 2為長度標(biāo)定系數(shù)，由相機標(biāo)定獲得。

分割后的根系圖像上的每一個像素都代表根系的一部分，通過統(tǒng)計非零像素的數(shù)量可以得到根系面積為

S=N_1×B^2。 （2）

式中：S為根系面積，cm2；N1為二值圖像中所有值為1的像素數(shù)；B為長度標(biāo)定系數(shù)。

2 結(jié)果與分析

2.1 試驗環(huán)境搭建

試驗選用12核Intel（R）Xeon（R）Silver 4310 CPU，內(nèi)存128 G，主頻2.1 GHz，顯卡為NVIDIA A100。使用Linux系統(tǒng)搭建基于Python3.7.16和Pytorch1.12.0的深度學(xué)習(xí)框架。在根系分割試驗中，使用adam優(yōu)化器，動量值為0.9，初始學(xué)習(xí)率設(shè)置為0.000 1，批次大小設(shè)置為8，訓(xùn)練迭代次數(shù)設(shè)置為100。

2.2 圖像預(yù)處理結(jié)果與分析

將預(yù)處理操作前后的數(shù)據(jù)集分別記為D1和D2，改進(jìn)后的U-Net模型在D1和D2數(shù)據(jù)集上的平均交并比曲線，如圖7所示。對數(shù)據(jù)集進(jìn)行預(yù)處理操作后，其平均交并比更高，根系分割效果更好。

2.3 根系分割試驗結(jié)果與分析

使用自建的原位根系圖像數(shù)據(jù)集對改進(jìn)的U-Net模型進(jìn)行訓(xùn)練和驗證，為驗證各模塊對網(wǎng)絡(luò)分割精度的影響，進(jìn)行消融試驗，并與經(jīng)典網(wǎng)絡(luò)進(jìn)行對比。每5個epoch后進(jìn)行一次評價指標(biāo)和損失值的計算，經(jīng)過100輪訓(xùn)練后，得到以下試驗結(jié)果。

2.3.1 消融試驗

為驗證引入的優(yōu)化后ASPP模塊和ECA模塊對于改進(jìn)的U-Net網(wǎng)絡(luò)分割精度的影響，在本研究數(shù)據(jù)集上進(jìn)行了消融試驗。試驗以原始U-Net網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò)，結(jié)果見表2。

表2中，√為添加的模塊；E為在最后一層卷積前加入ECA注意力模塊；A為在基礎(chǔ)網(wǎng)絡(luò)U-Net中引入原始ASPP模塊；A+為引入優(yōu)化的ASPP模塊。試驗結(jié)果表明，與U-Net網(wǎng)絡(luò)進(jìn)行對比，引入ECA注意力模塊后，準(zhǔn)確性、平均交并比、平均像素精度均有小幅度提升，說明ECA模塊可以增強模型對更重要的根系特征的關(guān)注。在此基礎(chǔ)上引入原始ASPP模塊，除ACC、MIou、MPA這3項指標(biāo)略有提升外，F(xiàn)1分?jǐn)?shù)也有了提升；而引入優(yōu)化的ASPP模塊后，相較于引入原始ASPP模塊，ACC、MIou、MPA以及F1分?jǐn)?shù)分別提升了0.47%、2.07%、1.63%和0.013，說明引入優(yōu)化后的ASPP模塊增強了模型對多尺度根系的分割能力；改進(jìn)后的U-Net模型相較于原始U-Net模型，ACC、MIou、MPA以及F1分?jǐn)?shù)分別提升了0.54%、2.49%、2.3%和0.016，有了顯著提升，這說明本研究引入的各個模塊都能有效提高根系分割準(zhǔn)確性和精度。

2.3.2 經(jīng)典分割網(wǎng)絡(luò)對比試驗

為進(jìn)一步驗證改進(jìn)U-Net算法在根系圖像分割中的效果，在本研究數(shù)據(jù)集上進(jìn)行DeepLabv3+［18］、SegFormer［19］、U-Net［20］、TransUNet［21］和改進(jìn)U-Net網(wǎng)絡(luò)對比試驗，試驗結(jié)果見表3。

試驗結(jié)果表明，改進(jìn)U-Net模型的準(zhǔn)確性、平均交并比、平均像素精度、F1分?jǐn)?shù)均為最優(yōu)值。改進(jìn)的U-Net模型的ACC、MIou、MPA、F1分?jǐn)?shù)分別達(dá)到97.27%、87.07%、91.85%、0.937，較原始U-Net模型均有提升，表明了改進(jìn)U-Net模型具有較高的分割精度。

準(zhǔn)確性和平均交并比較高的是TransUNet模型，分別為96.97%和84.61%，但TransUNet模型的平均像素精度以及F1分?jǐn)?shù)沒有U-Net模型高。為更清晰直觀地比較各個經(jīng)典語義分割模型以及改進(jìn)U-Net模型的分割效果，將不同方法的分割效果進(jìn)行可視化，如圖8所示，紅色虛線框標(biāo)出了不同網(wǎng)絡(luò)模型在根系分割結(jié)果中存在差異的區(qū)域。

由圖8第1列圖像可以看出，對于清晰明顯的根系圖像，改進(jìn)U-Net、TransUNet以及U-Net分割效果較好，SegFormer和DeepLabV3+在根交叉處分割效果較差，無法被交叉遮擋的根系連通起來。由圖8第2列圖像和圖8第3列圖像可以看出，對于分根的分割效果，本研究提出的網(wǎng)絡(luò)分割效果明顯優(yōu)于其他網(wǎng)絡(luò)，不僅可以完整分割出主根和分根，而且能完成連通的根系末端分割，保留了根系的完整結(jié)構(gòu)。圖8第4列圖像展示了本研究提出的網(wǎng)絡(luò)對于細(xì)小根系的分割能力，ASPP模塊和ECA注意力模塊的加入增強了模型對根系特征的提取能力，相較其他4個網(wǎng)絡(luò)（原始U-Net、DeeplabV3、SegFormer、TransUNet）能更好地分割出細(xì)小的根系，確保了根系分割的完整性和準(zhǔn)確性。

2.3.3 根系分割網(wǎng)絡(luò)對比

將改進(jìn)U-Net模型與其他根系分割模型進(jìn)行對比，各項性能指標(biāo)見表4。

由表4可知，改進(jìn)的U-Net模型，相比于文獻(xiàn)［23］，平均交并比和F1值分別提高了2.81%、0.022；相較于文獻(xiàn)［9］，準(zhǔn)確性提升了29.85%，平均交并比提高了34.13%，F(xiàn)1分?jǐn)?shù)提高了0.245，進(jìn)一步證明了本模型具有較高的分割精度。

2.4 原位根系表型參數(shù)測量

為驗證本研究提出的原位根系表型參數(shù)測量結(jié)果的準(zhǔn)確性，使用WinRHIZO根系分析軟件［22］提取根系參數(shù)作為對照組，使用Spearman相關(guān)系數(shù)，決定系數(shù)（R2）和均方根誤差（RMSE）對試驗結(jié)果進(jìn)行評估。Spearman相關(guān)系數(shù)是利用單調(diào)方程衡量2個變量相關(guān)性的非參數(shù)指標(biāo)，其絕對值越接近1，2個統(tǒng)計變量的相關(guān)性越強。R2越接近1，模型的擬合效果越好。RMSE表示本研究方法測量值和WinRHIZO軟件測量值之間的偏離程度，RMSE值越小表示本研究方法的參數(shù)測量精度越高。

選取50張原位根系圖像進(jìn)行參數(shù)提取試驗，利用回歸分析方法對2種方法獲得的測量結(jié)果進(jìn)行線性回歸分析，如圖9所示，根系長度和根系面積的決定系數(shù)分別達(dá)到0.951 8和0.984 9，Spearman相關(guān)系數(shù)分別為0.972 5和0.975 7，表明本研究方法的測量結(jié)果與WinRHIZO軟件的測量結(jié)果具有較好的相關(guān)性，證明了本系統(tǒng)的可信度。

對本試驗中的4種植物各選擇10張圖片，通過對WinRHIZO根系分析軟件得到的表型參數(shù)與本研究提出的測量方法得到的表型參數(shù)進(jìn)行比較，測量結(jié)果見表5。由表5可以發(fā)現(xiàn)，根系長度和根系面積越小，2種方法得到的測量值之間的偏離程度越小，精確度越高。

3 結(jié)論

針對植物原位根系難以觀察測量的問題fd731d3a7e2d20e99c3dff7b272f7dec，提出一種基于改進(jìn)U-Net的微根管根系測量系統(tǒng)，主要結(jié)論如下。

1）在U-Net網(wǎng)絡(luò)中引入優(yōu)化后的ASPP模塊和ECA模塊后，有效提升了模型對粗細(xì)不一的根系的分割效果，同時加強了模型對根系細(xì)節(jié)特征的提取能力。改進(jìn)U-Net模型的準(zhǔn)確性、平均交并比、平均像素精度以及F1分?jǐn)?shù)比改進(jìn)前的U-Net模型分別提高了0.54%、2.49%、2.3%和0.016。試驗結(jié)果表明，改進(jìn)U-Net模型對根系分割的效果優(yōu)于其他分割模型，特別是在細(xì)小根系的分割能力上表現(xiàn)優(yōu)秀，可以完整準(zhǔn)確地分割出植物根系。

2）利用根系分割圖像，結(jié)合相機標(biāo)定及圖像細(xì)化算法，獲得了原位根系長度和面積。分別使用本研究方法和WinRHIZO根系測量軟件進(jìn)行根系長度和面積測量，二者決定系數(shù)分別達(dá)到了0.951 8和0.984 9，Spearman相關(guān)系數(shù)分別為0.972 5和0.975 7，證明了本系統(tǒng)提取的根系表型參數(shù)具有較高可信度。

但由于植物根系易被土壤遮擋，完整的根系結(jié)構(gòu)難以獲取。此外，受限于植物根系圖像的多樣性和復(fù)雜性，部分植物根系分布較為離散，難以找到通用的最小長度參數(shù)。未來將進(jìn)一步探索如何獲得完整的植物根系，并計劃探索最佳閾值，以便去除圖像中的雜散點，提高根系表型參數(shù)提取的精確度。

【參 考 文 獻(xiàn)】

［1］ 劉定輝，李勇.植物根系提高土壤抗侵蝕性機理研究［J］.水土保持學(xué)報，2003（3）：34-37，117.

LIU D H，LI Y.Mechanism of plant roots improving resistance of soil to concentrated flow erosion［J］.Journal of Soil and Water Conservation，2003（3）：34-37，117.

［2］ 李強，楊俊誠，張加瓊，等.植物根系抗侵蝕指標(biāo)及模型研究進(jìn)展［J］.農(nóng)業(yè)資源與環(huán)境學(xué)報，2020，37（1）：17-23.

LI Q，YANG J C，ZHANG J Q，et al.Progress of research on soil erosion resistance of plant roots and future prospects［J］.Journal of Agriculture Resources and Environment，2020，37（1）：17-23.

［3］ LYNCH J P.Root biology in the 21st century：challenges and opportunities［J］.Annals of Botany，2021，128（1）：i-ii.

［4］ LI A，ZHU L，XU W，et al.Recent advances in methods for in situ root phenotyping［J］.PeerJ，2022，10：e13638.

［5］ CAI J，ZENG Z，CONNOR J N，et al.RootGraph：a graphic optimization tool for automated image analysis of plant roots［J］.Journal of Experimental Botany，2015，66（21）：6551-6562.

［6］ HEERAMAN D A，HOPMANS J W，CLAUSNITZER V.Three dimensional imaging of plant roots in situ with X-ray computed tomography［J］.Plant and soil，1997，189：167-179.

［7］ 李克新，李沐陽，薛瑞，等.林木幼苗根系CT序列圖像分割［J］.森林工程，2014，30（1）：25-29.

LI K X，LI M Y，XUE R，et al.CT slice image segmentation of the seedling roots［J］.Forest Engineering，2014，30（1）：25-29.

［8］ BAUER F M，LARM L，MORANDAGE S，et al.Development and validation of a deep learning based automated minirhizotron image analysis pipeline［J］.Plant Phenomics，2022：9758532.

［9］ SMITH A G，PETERSEN J，SELVAN R，et al.Segmentation of roots in soil with U-Net［J］.Plant Methods，2020，16（1）：1-15.

［10］ 盧偉，邵昱寧，王玲，等.利用徑向生長修復(fù)算法檢測玉米根系表型［J］.農(nóng)業(yè)工程學(xué)報，2021，37（18）：195-202.

LU W，SHAO Y N，WANG L，et al.Radial growth repair algorithm for maize root phenotype detection［J］.Transactions of the Chinese Society of Agricultural Engineering，2021，37（18）：195-202.

［11］ NARISETTI N，HENKE M，SEILER C，et al.Fully-automated root image analysis（faRIA）［J］.Scientific Reports，2021，11（1）：16047.

［12］ 王傳宇，郭新宇，溫維亮，等.基于玉米根系圖像的表型指標(biāo)獲取方法［J］.農(nóng)業(yè)工程學(xué)報，2021，37（8）：169-176.

WANG C Y，GUO X Y，WEN W L，et al.Phenotyping index acquisition method based on maize root images［J］.Transactions of the Chinese Society of Agricultural Engineering，2021，37（8）：169-176.

［13］ 烏蘭，蘇力德，賈立國，等.基于改進(jìn)DeepLabv3+網(wǎng)絡(luò)的馬鈴薯根系圖像分割方法［J］.農(nóng)業(yè)工程學(xué)報，2023，39（3）：134-144.

WU L，SU L D，JIA L G，et al.Image segmentation of potato roots using an improved DeepLabv3+ network［J］.Transactions of the Chinese Society of Agricultural Engineering，2023，39（3）：134-144.

［14］ 孫國祥，蔡嘉奇，周新竹，等.基于陣列式ESP32-CAM的番茄根系表型原位測量方法［J］.農(nóng)業(yè)工程學(xué)報，2023，39（18）：172-182.

SUN G X，CAI J Q，ZHOU X Z，et al.In-situ measuring tomato root phenotype using array ESP32-CAM［J］.Transactions of the Chinese Society of Agricultural Engineering，2023，39（18）：172-182.

［15］ WANG Q，WU B，ZHU P，et al.ECA-Net：Efficient channel attention for deep convolutional neural networks［C］//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition.2020：11534-11542.

［16］ CHEN L C，PAPANDREOU G，KOKKINOS I，et al.Deeplab：Semantic image segmentation with deep convolutional nets，atrous convolution，and fully connected crfs［J］.IEEE Transactions on Pattern Analysis and Machine intelligence，2017，40（4）：834-848.

［17］ 王利華，李亮亮，郭恒林.基于目標(biāo)的相機標(biāo)定方法［J］.北京測繪，2021，35（3）：372-375.

WANG L H，LI L L，GUO H L.A target-based calibration method ［J］.Beijing Surveying and Mapping，2021，35（3）：372-375.

［18］ CHEN L C，ZHU Y，PAPANDREOU G，et al.Encoder-decoder with atrous separable convolution for semantic image segmentation［C］//Proceedings of the European Conference on Computer Vision（ECCV），2018：801-818.

［19］ XIE E，WANG W，YU Z，et al.SegFormer：Simple and efficient design for semantic segmentation with transformers［J］.Advances in Neural Information Processing Systems，2021，34：12077-12090.

［20］ RONNEBERGER O，F(xiàn)ISCHER P，BROX T.U-net：Convolutional networks for biomedical image segmentation［C］//Medical Image Computing and Computer-Assisted Intervention-MICCAI 2015：18th International Conference，Munich，Germany，October 5-9，2015，Proceedings，Part III 18.Springer International Publishing，2015：234-241.

［21］ CHEN J，LU Y，YU Q，et al.Transunet：Transformers make strong encoders for medical image segmentation［J］.arXiv preprint arXiv：2102.04306，2021.

［22］ ARSENAULT J L，POULCUR S，MESSIER C，et al.WinRHlZO?，a root-measuring system with a unique overlap correction method［J］.HortScience，1995，30（4）：906D-906.

［23］ HUANG Y，YAN J，ZHANG Y，et al.Automatic segmentation of cotton roots in high-resolution minirhizotron images based on improved OCRNet［J］.Frontiers in Plant Science，2023，14：1147034.