將
掃描儀埋入地下，通?？梢杂糜趶墓潭c(diǎn)拍攝圖像，來(lái)連續(xù)觀察并研究根系的發(fā)育動(dòng)態(tài)。因此，已經(jīng)有開(kāi)發(fā)的軟件來(lái)支持實(shí)驗(yàn)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(xiàng)耗時(shí)的工作。深度學(xué)習(xí)作為一種以像素為單位識(shí)別物體的方法已經(jīng)取得了令人矚目的成果。在這項(xiàng)研究中，我們嘗試使用卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)進(jìn)行細(xì)根的圖像分析。使用根系自動(dòng)跟蹤和分析 (ARATA)軟件，我們成功地從掃描圖像中提取了細(xì)根，并計(jì)算了細(xì)根的投影面積以實(shí)現(xiàn)長(zhǎng)期動(dòng)態(tài)監(jiān)測(cè)。我們的軟件能夠自動(dòng)處理在各個(gè)研究地點(diǎn)采集的掃描圖像，并可以在較長(zhǎng)時(shí)間內(nèi)加速根系動(dòng)力學(xué)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(yǔ)義信息被編碼以識(shí)別形成特征類(lèi)別的像素集合，例如根。通過(guò)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(duì)該信息進(jìn)行解碼，并生成每個(gè)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(gè)3 × 3卷積層。
圖1 ARATA中使用的深度學(xué)習(xí)網(wǎng)絡(luò)?；疑虼碓糄eepLabv3+模型的附加過(guò)程。在輸出層中添加了像素混洗器和卷積層用來(lái)生成高分辨率特征圖。
圖2 根自動(dòng)檢測(cè)與人工分割對(duì)比的評(píng)價(jià)結(jié)果
圖3 77幅Ryukoku森林中鋸緣櫟林的時(shí)間序列掃描圖像的ARATA和人工提取細(xì)根區(qū)域結(jié)果的比較。特征性的時(shí)間變化，例如細(xì)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(shì)與通過(guò)手動(dòng)測(cè)量獲得的趨勢(shì)不同的情況用星號(hào)
圖4 ARATA 用少量測(cè)試站點(diǎn)訓(xùn)練數(shù)據(jù)（Himeji）提取細(xì)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(gè)示例。圖像HMJ-2質(zhì)量較差的一個(gè)示例，表明ARATA無(wú)法提取存在的根。（b）比較5 幅來(lái)自Ryukoku 站點(diǎn)的圖像和15 幅來(lái)自Himeji 站點(diǎn)的圖像的相對(duì)誤差 (RE) 的平均值。訓(xùn)練數(shù)據(jù)基于來(lái)自 Ryukoku 的220張?jiān)紙D像，但來(lái)自 Himeji 的只有20張?jiān)紙D像。
來(lái)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.