將掃描儀埋入地下，通常可以用于從固定點拍攝圖像，來連續觀察并研究根系的發育動態。因此，已經有開發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網絡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長期動態監測。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。在網絡中，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絡。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和人工提取細根區域結果的比較。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據（Himeji）提取細根的結果。（a）綠線為人工提取結果，紅線為ARATA提取結果，黃色部分表示兩次提取結果匹配的部分。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。訓練數據基于來自 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.