本文提出了一种基于卷积神经网络（CNN）的框架，用于从微根管（MR）图像中估算根系特征（长度、直径和颜色）。该框架采用一组可重复使用的子网络模块，构建了不同的网络，用于物体（即根系）检测和属性（即特征）估算，以实现单根和整图的根系表型分析任务。该方法提供了一种无需根系分割的解决方案。单根表型分析的第一步是检测图像中的根系，随后对每个检测到的根系特征进行估算。而整图表型分析则通过聚合估算根系特征值，包括总根长（TRL）、平均根径和白根百分比。本文展示了基于回归和基于物体点检测的两种变体，分别用于单根和整图的根系特征估算。提出了五种网络架构，其中两种此前用于TRL估算（现用于评估平均根径和白根百分比），其余三种为新设计。

该框架在一个包含531张标注的葡萄根系图像数据集上进行了验证，并作为本文的一部分公开提供。所有图像均通过MR系统原位采集，并使用Rootfly软件进行了标注。单根检测中的回归模块在颜色、长度和直径估算上的误差分别为8.8%、15.5%和23.5%；基于点检测的模块在相同参数上的误差分别为9.1%、14.9%和25.0%。在整图层级估算中，白根百分比的误差为11.5%–16.5%，TRL的误差为13.7%–16.0%，平均根径的误差为17.6%–22.1%。研究结果表明，通过新提出的架构进行单根直径和颜色估算的聚合，可以改进相较于直接整图估算的特征估算结果。此外，为进一步展示该框架在推导不同根系特征垂直分布方面的实用性，额外提供了一个包含两种不同葡萄嫁接组合的132张根系图像的数据集（同样作为本文的一部分公开提供）。在该数据集中，不同土壤深度的根系特征得到了估算，并与人工标注结果进行了视觉对比。

图1. 对象检测模块的组成，展示了基于以下两种变体的预期输出：a. 边界框检测和 b. 基于点检测的热图生成。

图2. 基于根系检测的每根特征估计，包括长度、直径和颜色，采用了以下两种网络变体：a. 基于点检测的网络和 b. 基于回归的网络。

图3 基于点检测的网络架构下的每根特征估计（长度、直径和颜色），该架构由在“表型分析”部分中包含两个“主干”模块和两个“查找”模块的预训练模块组成。

图4基于整图的特征估算（Ihoroshevsky 等, 2024），A. 基于回归的网络，B. 基于点检测的网络。

图5 葡萄根系数据集中具有代表性的微根管（MR）图像。a. 带有叠加点注释的图像（蓝色），由Rootfly获得。b. 叠加在原始图像上的生成热图。

图6. 来自“所有数据”验证集的代表性葡萄根系检测结果；训练使用了“组合数据集”训练集，包含 a. 所有蓝色的GT边界框，b. 红色的假阳性检测，c.-f. 红色的真阳性检测及其对应的蓝色GT边界框。

图7. 使用推荐网络进行整图根系特征估算与GT值的比较，针对两种不同接穗品种（Cs 和 sH）的根系图像，分别估算 a. 根长密度（RLD），b. 平均根径，c. 随土壤深度变化的白根百分比。

图8. “Backbone”模块示意图。

图9 “pind”模块在“Find（用于边界框检测）”模式下的示意图。

图10 “Find”模块在“Find（用于点检测）”模式下的示意图