基于生成對抗網(wǎng)絡(luò)( GAN )的根系圖像修復(fù)模型EU-GAN提升修復(fù)效果研究
分享華中農(nóng)業(yè)大學(xué)“青年長江”團隊碩士生第一作者在頂級期刊《 Artificial Intelligence in Agriculture 》（IF=12.7) 發(fā)表的一篇題為《 EU-GAN : A root inpainting network for improving 2D soil-cultivated root phenotyping》的研究論文。團隊已畢業(yè)碩士生謝尚源和已畢業(yè)博士生施家偉為論文共同第一作者，楊萬能教授和廣西大學(xué)李保奇副教授為共同通訊作者。
根盒法因其成本低、非破壞性等優(yōu)點，成為獲取土培條件下高通量根系表型數(shù)據(jù)的常用手段，廣受研究者青睞。然而，由于部分根系深藏于土壤中無法被完整采集，導(dǎo)致所獲表型數(shù)據(jù)存在偏差，影響根系形態(tài)參數(shù)計算的準(zhǔn)確性。同時，根系修復(fù)任務(wù)的標(biāo)注與根系分割一樣，面臨標(biāo)注困難、成本高的挑戰(zhàn)。現(xiàn)有修復(fù)方法多依賴算法生成的虛擬根系圖像（包括人工構(gòu)造的根系結(jié)構(gòu)和模擬的缺失區(qū)域），并通過局部裁剪方式進行訓(xùn)練，難以有效應(yīng)對長距離缺失或根系邊緣區(qū)域的修復(fù)問題，泛化能力有限。
針對上述問題，研究團隊構(gòu)建了一個完全開源的混合根系修復(fù)數(shù)據(jù)集（Hybrid Root Inpainting Dataset, HRID）。該數(shù)據(jù)集在大量真實土培根系圖像標(biāo)注的基礎(chǔ)上，創(chuàng)新性地結(jié)合水培根盒獲取的完整根系圖像與算法模擬的缺失模式，生成兼具真實性和多樣性的修復(fù)樣本。HRID共包含8922張根系圖像，其中土培根系1206張，水培根系7716張�；诖藬�(shù)據(jù)集，團隊進一步提出了一種基于生成對抗網(wǎng)絡(luò)（ GAN ）的EU-GAN模型。通過在生成器中引入邊緣注意力模塊（Edge Attention Module, EAM）、優(yōu)化損失函數(shù)設(shè)計并結(jié)合后處理策略，顯著提升了根系修復(fù)效果。實驗表明，該方法將棉花根系的修復(fù)率從17.35%提高至35.75%，關(guān)鍵表型參數(shù)（如根長、分枝數(shù)等）提取誤差降低了48.64%至88.28%，顯著提升了根系表型分析的精度與可靠性。
圖1 技術(shù)路線圖
圖2 EU-GAN網(wǎng)絡(luò)結(jié)構(gòu)圖
圖3 EU-GAN修復(fù)效果比較
圖4 EU-GAN在不同種類作物根系圖像上的泛化性測試
- 谷豐光電三款桌面式表型設(shè)備在成像、數(shù)據(jù)采集、應(yīng)用場景等方面的對比
- FireFly LIBS快速元素分析與成像系統(tǒng)在種質(zhì)資源研究中的應(yīng)用
- 葉綠素?zé)晒獬上窦夹g(shù)應(yīng)用—組培（愈傷組織）篇
- 易科泰種質(zhì)資源全面檢測解決方案的核心技術(shù)及應(yīng)用
- 實驗方法分享：基于圖像表型分析方法評估大麥對水淹脅迫的響應(yīng)與恢復(fù)
- 藥用植物生長需要的光配方——光培養(yǎng)與表型分析優(yōu)化解決方案
- 葉綠素?zé)晒獬上褶r(nóng)學(xué)領(lǐng)域應(yīng)用——作物篇
- 賦能藥用植物研究——易科泰表型設(shè)備落地吉林農(nóng)大
Copyright(C) 1998-2026 生物器材網(wǎng) 電話：021-64166852;13621656896 E-mail：info@bio-equip.com