根系对于植物吸收水分和养分至关重要，原位根系研究可以深入了解根系表型和动态。虽然基于深度学习的根分割方法推进了根系统的分析，但它们需要大量的手动标记数据集，而这些数据集的生成既费力又耗时。目前的原位根观察方法的有效性各不相同。

使用CycleGAN扩展原位根数据集的新方法

此外，传统的根图像识别方法面临主观性和低效率等挑战，而深度学习方法提供了更高的准确性，但受到对大型注释数据集的需求的阻碍。通过用于数据集生成的CycleGAN等创新方法来解决数据集限制提出了一种潜在的解决方案，但在确保生成图像的多样性和准确性以在根分割研究中进行有效训练和分析方面仍然存在挑战。

PlantPhenomics发表了题为“基于改进的CycleGAN生成器的原位根数据集扩展策略”的研究。

这项研究引入了一种通过改进的CycleGAN生成器与基于空间坐标的目标背景分离方法相结合来增强原位根数据集的新方法，解决了背景像素变化的挑战。通过利用这种方法，该研究证明了比传统阈值分割方法在速度、准确性和稳定性方面的显着增强。

该方法还有助于在根图像中包含多种培养基，从而提高数据集的多功能性。使用RTX306012GB+16GB平台进行训练的实验结果表明，将Improvement_UNet网络应用于增强数据集在并集平均交集(mIOU)、F1分数和准确度方面产生了适度但显着的改进，表明该方法在提高数据集质量和跨不同根系统架构的泛化方面的功效。

具体来说，改进后的数据集使mIOU提高了0.63%，F1分数提高了0.41%，准确率提高了0.04%，泛化性能的提高更为显着。研究方法涉及使用特定参数进行详细的CycleGAN训练，并通过比较和主观评估进行后续验证，包括输入各种生成器结构和后处理技术。

总之，研究结果强调了所提出的数据集增强策略在增强根系分析方面的潜力，未来的工作旨在通过先进的阴影和土壤类型变异来实现更真实的模拟。这种扩展策略经过Improved_UNet网络在增强数据集上的性能验证，标志着根系统分析的一个有希望的进步，为现有根图像数据集的局限性提供了可扩展的解决方案。