根表型研究从原位图像自动估计总根长度无需分割

气候变化胁迫严重限制了作物产量，而根系性状在胁迫耐受性中发挥着至关重要的作用，从而凸显了根系表型分析对于作物改良的重要性。基于图像的根表型分析的最新进展，特别是通过微型根管(MR)技术，为了解压力下的根动态提供了见解。然而，MR 图像分析的手动和主观性质提出了重大挑战。

这凸显了对自动化成像系统和工具的需求，以简化和客观化该过程，从而提高根表型分析的效率和客观性。

2024 年 1 月，Plant Phenomics发表了一篇题为“ Automatic Root Length Estimation from Images Acquired In Situ without Segmentation ”的研究文章。这项研究通过采用基于卷积神经网络的模型来估计 MR 图像的总根长度 (TRL)，而不需要分割，从而推进了根表型分析领域。

利用 Rootfly 软件的手动注释，研究人员探索了基于回归的模型和基于检测的模型，该模型可识别注释的根点，后者提供 MR 图像的视觉检查功能。

这些模型在不同非生物胁迫下的不同作物物种的 4,015 张图像中进行了严格测试，证明与手动测量相比，TRL 估计具有较高的准确性(R 2值在 0.929 和 0.986 之间)。这种准确性强调了我们的方法显着提高根表型分析的效率和可靠性的潜力。

研究结果表明，通过结合额外的根坐标信息，基于检测的模型通常优于回归模型，特别是在具有挑战性的数据集中。这一发现对于高质量图像数据集至关重要，因为自动 TRL 估计仍然稳健。

此外，研究人员进行了敏感性分析，以突出图像质量和数据集大小对模型性能的影响，揭示图像质量的显着影响。该模型能够以最小的误差范围区分有根和无根的图像，通过实时监测根的生长，进一步说明了它们在精准农业中的实用性。

然后将该分析扩展到评估根长密度(RLD)计算，证明该模型在捕获土壤中根系分布模式方面的有效性，这对于了解水和养分的提取至关重要。该模型能够跟踪根部动态随时间的变化，包括识别根部消失，突显了它们在及时制定有关水和养分管理的农业决策方面的潜力。

总之，这项研究提出了一种突破性的根表型分析方法，为 MR 图像的 TRL 估计提供了强大的自动化工具，从而促进了根生长模式的快速准确评估。这一进步为加强精准农业实践带来了重大希望，使种植者能够根据详细的根系生长信息做出明智的决策。