对土培植物根系图像进行精确分割与分析，对于深化理解根系在不同环境条件下的生长特性与可塑性具有关键意义。现有方法大多依赖于对整个根系架构进行二值分割，这限制了其捕捉根系结构层次复杂性（包括轴向根与侧根）的能力。为此，本研究评估了五种卷积神经网络架构对植物根盒培养大麦植株二维根系图像进行多类别（即轴向根/侧根）分割的性能：（i）U-Net，（ii）带空洞空间金字塔池化的U-Net（UnetASPP），（iii）带注意力模块的U-Net（UnetAtt），（iv）搭载MobileNetV2的DeepLabV3+（DLMB），以及（v）搭载ResNet-50的DeepLabV3+（DLR50）。实验结果表明，DLR50模型实现了最高分割精度，尤其在复杂根系架构中识别侧根方面表现突出。基于分割图像获得的根系性状分析进一步证实，与真实测量值相比，DLR50模型对表型性状的估算最为可靠。这些发现突显了先进多类别CNN模型（特别是DLR50）在实现土壤-根系系统精细化定量分析方面的巨大潜力，为探究根系对环境条件的响应机制提供了新见解。

图1. 小粒谷物种（如大麦和小麦）根型示意图。轴根由精根和节根组成，分别从种子和枝条的基部长出。侧根从轴向根（一阶侧根）或其他侧根（二阶及更高）出现。

图2. 原始和分割的大麦根图像示例。（a）原始灰度图像显示在充满基质的根茎盒中生长的大麦植物根系的上部，（b）由Friendly ground truth和我们的根分类工具生成的地面实况掩模。此分割掩码分别以白色和绿色显示轴向（精根和节根）和侧根作为前景，其余像素以黑色显示背景。

图3. U-Net架构及其变体示意图。（a）标准U-Net架构，（b）标准U-Net架构，ASPP模块放置在瓶颈模块之后，以及（c）标准U-Net架构，注意力模块“A”放置在编码器-解码器跳过层。

图4. 以 ResNet-50 为主干的 Deeplabv3+ 示意图。编码器模块使用各种尺度的atrous卷积捕获多尺度上下文信息，而解码器模块则增强和完善分割输出。

图5. 五种CNN模型（U-Net、UnetAspp、UnetAtt、DLMB及DLR50）在100个训练周期内的性能表现。(a) 多类别dice损失值, (b) 平均F1值, (c) 背景类别F1值, (d) 轴向根类别F1值, (e) 侧根类别F1值。横纵坐标分别表示训练周期数与性能指标。

图6. CNN模型在36张测试图像上的分类分割性能比较。（a）背景类的 F1 分数，（b）轴根类的F1分数，（c）侧根类的F1分数，以及（d）所有类别的平均F1分数。X轴表示CNN模型，Y轴表示F1分数。

图7. 各CNN模型按平均F1值、背景F1值、轴向根F1值与侧根F1值顺序展示的分割性能对比：(a) 原始图像, (b) 真实标注, (c) U-Net：0.8093、0.9907、0.8232、0.6138, (d) 带ASPP模块的U-Net：0.8277、0.9907、0.8478、0.6445, (e) 带注意力模块的U-Net：0.8366、0.9909、0.8453、0.6737, (f) 搭载MobileNetV2骨干网络的DeepLabV3+：0.8458、0.9921、0.8721、0.6731, (g) 搭载ResNet-50骨干网络的DeepLabV3+：0.8691、0.9944、0.8635、0.7493。图中白色线条代表轴向根（初生根与节根），绿色线条代表侧根。

图8. 大麦植株在不同氮条件下生长46天的根系图像示例。(a) 高氮条件下的原始图像, (b) 低氮条件下的原始图像, (c) 对应(a)的分割图像, (d) 对应(b)的分割图像。分割图像中白色线条代表轴向根（初生根与节根），绿色线条代表侧根。

图9. 低氮与高氮条件下大麦植株轴向根与侧根的面积、长度及体积比较。(a) 轴向根性状（单位：毫米），(b) 侧根性状（单位：毫米），(c) 侧根对总根长、总面积或总体积的贡献百分比。箱线图展示数据集的第一四分位数、中位数与第三四分位数，须线延伸至最小值与最大值（样本量=10个独立根系）。

来 源

Yang X, Xu C, Wang Y, et al. PlaneSegNet: A deep learning network with plane attention for plant point cloud segmentation in agricultural environments[J]. Artificial Intelligence in Agriculture, 2025.

https://doi.org/10.1016/j.aiia.2025.10.015

编辑

王永贤