作物根系在农业生态系统中发挥着重要作用。根系对于水分和养分的吸收、植物的稳定性、微生物共生以及良好的土壤结构至关重要。微根管已被证明对无创根系研究是有效的。因此，可以在整个作物生长季获得根系性状，如根长度。在传统的软件工具下，使用一般的手动标注方法分析来自微型根管的数据集既费时又费力。因此，需要一种客观的高通量图像分析方法来为田间根系表型提供数据。


在这项研究中，我们开发了一个结合了先进软件工具、深度神经网络和自动特征提取的算法该算法由两个主要组件组成，并应用于来自 微根管 的大型根系图像数据集。首先，使用小样本图像训练的神经网络模型进行分割，训练和分割是使用“RootPainter”完成的。然后，由“RhizoVision Explorer”从片段中自动提取特征。

由自动根系分析算法处理一张图像的示例。(a) RootPainter 根据之前训练的模型“检测”到根。(b) 导出的分割图像 (c) 转换为二进制的图像。(d) 最后一步是使用 RhizoVision Explorer 进行骨架化和特征提取。

为了验证我们的自动化分析流程的结果，我们对超过 36,500 张图像进行了手动标注和自动处理数据之间的根长度比较。主要是结果显示手动和自动确定的根长度之间的高度相关性。在处理时间方面，我们的新流程比手动标注要好 98.1-99.6%。我们的算法流程结合了最先进的软件工具，显着减少了 微根管 图像的处理时间。因此，图像分析不再是高通量表型分析方法的瓶颈。

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

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