本研究以二穗短柄草为研究对象，由其在多种环境设置下（包括氮、钙、镁、钾和几种微量营养液）进行的两个独立实验获得的图像构成数据集，每个实验都以暴露于EcoFAB特定营养条件下的不同植物为特征。为展示RhizoNet在苛刻条件下的能力，作者测试了将RhizoNet纳入自动监测植物系统的可行性。通过改进前处理和后处理显著提高了分割结果的准确性。评估了三个参数下RhizoNet模型在六次根扫描上的性能，结果表明在所有实验的验证测试中都表现出很强的通用性。将人工测量的根重与自动分割得到的根重进行比较，patch为64时相关性达到91.04%，决定系数为82.87%，且具有较高的召回率，可以更准确地表示根粗。残差均方误差显示预测值在实际值的大约0.02个单位内，与数据中存在的可变性相比，该模型做出了准确的预测。以上结果实现了根部分割和表型的标准化，极大地帮助了在不同条件下对植物根部生长动态的精确评估；对数千张图像进行了系统化的加速分析，为实现自我驱动实验提供了理论途径。

图1. RhizoNet基于时间分辨EcoFAB图像的根系分割和根系生物量估算流程

图2. 根生物量：根重量(天平测量)、从图像计算的根面积(手工注释)和RhizoNet预测之间的比较。不同颜色表示不同培养基类型；不同符号表示计算根生物量的不同方法

图3. 使用三个RhizoNet版本对比分析实验2中的6个不可见图像。第1列：原始图像；第2列：手工注释图像；第3列：模型预测图像（patch为64）；第4列：模型预测图像（patch为128）；第5列：模型预测图像（patch为2565）

图4. 训练样本：分块大小不等，从左到右递增，对应128×128、256×256和全尺寸3000×2039像素

表1. 图像后处理前RhizoNet的分割评估

表2. 每个RhizoNet模型对6个不可见图像的评估

表3. 优化的RhizoNet模型对6个不可见图像的评估