將
掃描儀埋入地下，通常可以用于從固定點拍攝圖像，來連續(xù)觀察并研究根系的發(fā)育動態(tài)。因此，已經(jīng)有開發(fā)的軟件來支持實驗人員從掃描的圖像中定量分析根系性狀。然而，圖像處理仍然是一項耗時的工作。深度學習作為一種以像素為單位識別物體的方法已經(jīng)取得了令人矚目的成果。在這項研究中，我們嘗試使用卷積神經(jīng)網(wǎng)絡(luò)自動進行細根的圖像分析。使用根系自動跟蹤和分析 (ARATA)軟件，我們成功地從掃描圖像中提取了細根，并計算了細根的投影面積以實現(xiàn)長期動態(tài)監(jiān)測。我們的軟件能夠自動處理在各個研究地點采集的掃描圖像，并可以在較長時間內(nèi)加速根系動力學的研究。
如圖1所示，ARATA軟件使用的是帶有 Xception 的 DeepLabv3+算法。在網(wǎng)絡(luò)中，語義信息被編碼以識別形成特征類別的像素集合，例如根。通過將輸入圖像從輸入層處理到輸出層，將其匯集在atrous空間金字塔池化模塊中。隨后，對該信息進行解碼，并生成每個像素包含在根圖像中的概率。在我們的模型中，我們使用Pixel Shuffler添加了上采樣層，并在輸出層之前添加了一個3 × 3卷積層。
圖1 ARATA中使用的深度學習網(wǎng)絡(luò)。灰色框代表原始DeepLabv3+模型的附加過程。在輸出層中添加了像素混洗器和卷積層用來生成高分辨率特征圖。
圖2 根自動檢測與人工分割對比的評價結(jié)果
圖3 77幅Ryukoku森林中鋸緣櫟林的時間序列掃描圖像的ARATA和人工提取細根區(qū)域結(jié)果的比較。特征性的時間變化，例如細根面積的增加或減少，被正確捕獲（倒三角形）。用ARATA獲得的趨勢與通過手動測量獲得的趨勢不同的情況用星號
圖4 ARATA 用少量測試站點訓練數(shù)據(jù)（Himeji）提取細根的結(jié)果。（a）綠線為人工提取結(jié)果，紅線為ARATA提取結(jié)果，黃色部分表示兩次提取結(jié)果匹配的部分。圖像 HMJ-1是ARATA良好提取的一個示例。圖像HMJ-2質(zhì)量較差的一個示例，表明ARATA無法提取存在的根。（b）比較5 幅來自Ryukoku 站點的圖像和15 幅來自Himeji 站點的圖像的相對誤差 (RE) 的平均值。訓練數(shù)據(jù)基于來自 Ryukoku 的220張原始圖像，但來自 Himeji 的只有20張原始圖像。
來源Yabuki, A., Ikeno, H., & Dannoura, M. (2022). A root auto tracing and analysis (ARATA): An automatic analysis software for detecting fine roots in images from flatbed optical scanners. Methods in Ecology and Evolution.