利用徑向生長修復(fù)算法檢測玉米根系表型

盧 偉，邵昱寧，王 玲，羅 慧，周 濟(jì)，鄧一明

利用徑向生長修復(fù)算法檢測玉米根系表型

盧 偉1，邵昱寧1，王 玲1，羅 慧1，周 濟(jì)2，鄧一明3

（1. 南京農(nóng)業(yè)大學(xué)人工智能學(xué)院，南京 210031；2. 劍橋作物研究所/國立農(nóng)業(yè)植物學(xué)研究所，英國劍橋 CB3 0LE；3. 密歇根州立大學(xué)工學(xué)院，美國密歇根州東蘭辛 48824）

針對根系圖像中的斷根易導(dǎo)致根系表型信息難以精確獲取的問題，該研究提出一種根系徑向生長修復(fù)算法，并基于此進(jìn)行不同抗性玉米種子根系表型對比研究。首先，采用自適應(yīng)對比度增強(qiáng)、直方圖灰度查找、椒鹽去噪等對采集的根系圖像進(jìn)行預(yù)處理，從復(fù)雜背景中分離出根系圖像；再通過YOLO-V3檢測模型進(jìn)行根系圖像中主根根尖識別；最后，自根尖開始進(jìn)行徑向生長，通過分叉點(diǎn)主根提取策略、端點(diǎn)自適應(yīng)修復(fù)策略實(shí)現(xiàn)主根圖像修復(fù)，并提取主根和側(cè)根表型信息。將普通、抗旱、抗?jié)?、抗鹽4種不同抗性的玉米種子種植于槽型扁平容器中培養(yǎng)14 d后取出，沖洗得到完整根系并進(jìn)行圖像采集。采用徑向生長修復(fù)算法進(jìn)行根系修復(fù)后提取根系長度和直徑與根系圖像修復(fù)前相比，根系長度和直徑的提取精度分別由83.6%和84.4%提高至97.4%和94.8%，徑向生長修復(fù)算法提取精度優(yōu)于區(qū)域生長算法，適用于不同脅迫環(huán)境下玉米根系表型參數(shù)提取。在干旱環(huán)境和鹽腌環(huán)境下，徑向生長修復(fù)算法精度提升更明顯。結(jié)果表明，該研究所提出的根系徑向生長修復(fù)算法可有效提高根系圖像表型信息精度，為根系表型快速提取提供參考。

圖像處理；算法；根系表型；環(huán)境脅迫；徑向生長；自適應(yīng)修復(fù)

0 引 言

根系是作物吸收水分、礦物質(zhì)的重要組織，其主根、側(cè)根等表型信息與作物抗逆性能密切相關(guān)，可直接反應(yīng)作物的抗逆能力[1-5]，因此研究根系表型與基因型之間的關(guān)系對種質(zhì)創(chuàng)新具有重要意義。目前，根系表型檢測主要分為有損檢測和無損檢測[6]。作為根系表型研究的傳統(tǒng)方法，有損檢測主要有直接挖掘法、保護(hù)挖掘法等，挖掘法需要挖掘、清洗等多個(gè)步驟，可對根系進(jìn)行完整檢測，但費(fèi)工費(fèi)時(shí)。因此很多學(xué)者進(jìn)行根系無損檢測的研究。現(xiàn)有的根系表型無損檢測方法主要有X射線掃描（X-Ray CT）[7]、電阻抗成像（Electrical Impedance Tomography，EIT）[8]、掩埋式微型相機(jī)法[9]、紅外熱成像[10]、透明培養(yǎng)基[11]等方法。Maenhout等[7]通過X-Ray CT實(shí)現(xiàn)對土壤下根系的可視化檢測和半自動分割，但X-Ray CT設(shè)備昂貴、檢測速度慢且X射線會對根系發(fā)育造成一定影響，導(dǎo)致該方法較難普及；Santos等[8]利用EIT進(jìn)行根系檢測，但分辨率低且易受土壤電導(dǎo)率不均勻性影響，需要進(jìn)一步改進(jìn)；Fitters等[9]提出使用掩埋式微型相機(jī)直接在土壤下采集甜菜根根系信息，但難以得到完整根系表型信息；Chu等[10]利用紅外熱成像檢測玉米根系，雖然可以穿透土壤淺表獲取根系圖像，但仍然難以獲取完整圖像信息且易受土壤中雜質(zhì)影響。以上學(xué)者采用不同的傳感設(shè)備進(jìn)行根系表型檢測，但是都存在明顯缺點(diǎn)。此外，Shi等[11]從培養(yǎng)基的角度改進(jìn)根系表型檢測，雖然透明基質(zhì)可以完整迅速地采集到根系信息，但透明基質(zhì)中作物根系的發(fā)育與在土壤中有一定差異。因此，有損檢測仍然是現(xiàn)今農(nóng)業(yè)育種行業(yè)進(jìn)行土壤根系表型精確測量的主要方法。

但由于受到根系表面污染、褐化、密集側(cè)根和背景噪聲的影響，沖洗后的根系圖像仍然會產(chǎn)生斷點(diǎn)，影響主根和側(cè)根的表型信息的精確測量。目前，圖像修復(fù)算法分為傳統(tǒng)修復(fù)算法和基于深度學(xué)習(xí)的修復(fù)算法?；谏疃葘W(xué)習(xí)的修復(fù)算法主要有生成對抗網(wǎng)絡(luò)（Generative Adversarial Networks，GAN）[12]、深度神經(jīng)網(wǎng)絡(luò)（Deep Neural Network，DNN）[13]等。GAN需要大量樣本訓(xùn)練模型且訓(xùn)練周期較長，如Sarkar等[13]通過手繪大量根系完整圖像和斷裂圖像作為DNN的訓(xùn)練集，但訓(xùn)練集理想化難以適用復(fù)雜環(huán)境下根系圖像修復(fù)?；谏疃葘W(xué)習(xí)的修復(fù)算法需要大量數(shù)據(jù)訓(xùn)練，不適合復(fù)雜環(huán)境下的根系圖像修復(fù)。傳統(tǒng)圖像修復(fù)算法包括PatchMatch算法[14]、Criminisi算法[15]等。PatchMatch算法易陷入局部最優(yōu)解，導(dǎo)致修復(fù)失敗；Criminisi算法迭代流程較長，不利于快速修復(fù)。

綜上，為進(jìn)一步提高根系表型參數(shù)自動化檢測的精度，本研究基于區(qū)域生長思想提出了一種玉米根系表型檢測的徑向生長修復(fù)算法，通過使用較小數(shù)據(jù)集訓(xùn)練即可實(shí)現(xiàn)根系圖像快速修復(fù)，并提取出玉米根系主要的表型參數(shù)。利用該算法對不同抗性玉米種子根系表型進(jìn)行提取，以期為根系表型參數(shù)的精準(zhǔn)提取提供參考和借鑒。

1 材料與方法

1.1 槽型植物培養(yǎng)裝置

根系具有豐富的空間特征，圓柱形培養(yǎng)裝置中根系沖洗后拍照需要手工處理根系，增加了圖像采集的工作量，為便于獲取平面化的根系圖像，減少根系約束帶來的根系損傷，本研究采用12.0 cm×6.0 cm×2.5 cm槽型扁平結(jié)構(gòu)的培養(yǎng)裝置，底部預(yù)留5個(gè)直徑2 mm的排水孔，填充10 cm高度的有機(jī)土（pH值為 6.7～6.9，有機(jī)質(zhì)含量為475 mg/kg，氮（N）、磷（P）、鉀（K）含量均為6.75 mg/kg，微量元素含量為1.7g/kg）。

1.2 種子預(yù)處理

選用2019年收獲的顆粒飽滿、大小一致的玉米種子，先將玉米種子浸于70%濃度的乙醇溶液中30 s，再浸于35～40 ℃的溫水中2 h，待種子露白后平攤在準(zhǔn)備好的淺盤濕紗布上，再在玉米種子上覆蓋幾層濕紗布，以保證種子發(fā)芽所需水分，6 h后將處理好的玉米種子種植于槽形扁平培養(yǎng)裝置中進(jìn)行培養(yǎng)。

1.3 試驗(yàn)方法

土培試驗(yàn)于2020年5月在南京農(nóng)業(yè)大學(xué)浦口校區(qū)進(jìn)行，試驗(yàn)品種分別為裕豐303（普通對照種）、鄭單958（抗旱種）、蠡玉16（抗?jié)撤N）、鄭單958（抗鹽種）。將玉米種子分為3組進(jìn)行試驗(yàn)，抗旱組8株、抗?jié)辰M8株和抗鹽組8株，試驗(yàn)的具體設(shè)置情況為：干旱環(huán)境中設(shè)置裕豐303（MA1）和鄭單958（MB1），澇漬環(huán)境中設(shè)置裕豐303（MA2）和蠡玉16（MC2），鹽腌環(huán)境中設(shè)置裕豐303（MA3）和鄭單958（MD3）。將3組玉米種子放置于光照充足的環(huán)境下，每隔24 h澆灌100 ml的自來水進(jìn)行催芽，晝、夜溫度分別為（23±1）、（17±1）℃，相對濕度為60%左右，當(dāng)玉米胚芽長度超過種子長度時(shí)視為幼苗成形（約72 h）。3種脅迫的處理方法如下：

干旱環(huán)境[16-18]：第1、3、5天澆灌1/2濃度的Hoagland營養(yǎng)液，后期停止灌溉使其充分受旱；

澇漬環(huán)境[19]：每天澆灌1/2濃度的Hoagland營養(yǎng)液，僅預(yù)留1個(gè)的排水孔，其他排水孔封堵；

鹽腌環(huán)境[20]：第1、3、5、7、9、11、13天用200 mmol/L的氯化鈉（NaCl）溶液配50%濃度Hoagland營養(yǎng)液進(jìn)行澆灌。

第14天從土壤取出試驗(yàn)組所有玉米植株，避免損傷根系，用自來水沖洗根系殘留土壤，置于純色背景板上鋪平，利用標(biāo)尺測量根系的主根長度、主根直徑，清點(diǎn)主根、側(cè)根數(shù)量并記錄，然后使用USB 高清攝像頭進(jìn)行圖像采集。

1.4 試驗(yàn)平臺

試驗(yàn)硬件平臺配置為Windows64位系統(tǒng)，16 GB內(nèi)存，Intel i5-9400F 2.90 GHz處理器，RTX 2070 SUPER 8 G顯卡，使用深度學(xué)習(xí)框架Tensorflow1.15.0結(jié)合CUDA8.0和CUDNN5.0，代碼運(yùn)行環(huán)境Python 3.6。

2 根系表型提取算法

2.1 基于YOLO-V3的根尖識別

目標(biāo)識別是神經(jīng)網(wǎng)絡(luò)的重要應(yīng)用，被廣泛應(yīng)用于物體檢測、無人駕駛等領(lǐng)域，深度神經(jīng)網(wǎng)絡(luò)在性能上可識別特征多、形態(tài)學(xué)復(fù)雜的物體，具有廣泛的應(yīng)用前景。目前常用的目標(biāo)檢測網(wǎng)絡(luò)有YOLO-V3網(wǎng)絡(luò)、單步檢測算法（Single Shot Detection，SSD）、快速區(qū)域卷積網(wǎng)絡(luò)（Fast Region Convolutional Neural Network，F(xiàn)ast R-CNN）。其中，F(xiàn)ast R-CNN將目標(biāo)檢測分為特征提取和目標(biāo)分類2個(gè)階段，YOLO-V3網(wǎng)絡(luò)則是基于先驗(yàn)框直接進(jìn)行檢測，在檢測速度上Fast R-CNN慢于YOLO-V3[21]；SSD雖為單階段目標(biāo)檢測，但全類平均精度（mean Average Precision，mAP）低于YOLO-V3網(wǎng)絡(luò)[22]。因此，綜合考慮檢測速度和準(zhǔn)確率2個(gè)因素以及計(jì)算資源消耗，本研究選用YOLO-V3網(wǎng)絡(luò)進(jìn)行根尖識別。

將待識別圖像輸入YOLO-V3網(wǎng)絡(luò)，首先通過卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取形成特征圖，再進(jìn)行全卷積特征識別。YOLO-V3將待識別的圖像分割為×個(gè)區(qū)域，當(dāng)物體的中心落在其中一個(gè)區(qū)域中時(shí)，區(qū)域所對應(yīng)的YOLO-V3網(wǎng)絡(luò)負(fù)責(zé)區(qū)域內(nèi)物體檢測，計(jì)算目標(biāo)區(qū)域的置信度并進(jìn)行多標(biāo)簽分類。YOLO-V3采用9種不同大小的錨點(diǎn)對圖像進(jìn)行分割，從而能夠獲得3種不同尺寸的特征圖，根據(jù)Redmon J[21]的研究結(jié)果，3種特征圖的邊長分別為13、26、52個(gè)像素單位，不同尺寸的特征圖可以檢測不同尺寸的目標(biāo)。通過特征圖計(jì)算損失函數(shù)并完成整個(gè)網(wǎng)絡(luò)的更新。

本研究采用所種植的玉米根系圖片和文獻(xiàn)[23]中的部分根系圖片制作玉米根系數(shù)據(jù)集，將玉米根系置于純色背景板上鋪平，用相機(jī)采集本研究種植玉米的根系圖像共計(jì)56幅，使用文獻(xiàn)[23]數(shù)據(jù)集中的圖像共計(jì)244幅，每幅圖片主根3～6根，圖像分辨率為416×416，在使用YOLO-V3網(wǎng)絡(luò)訓(xùn)練數(shù)據(jù)前，使用LabelImg軟件對采集的圖像進(jìn)行標(biāo)注，標(biāo)注類別分別為主根和側(cè)根，保證每根主根盡量在一個(gè)矩形框里。標(biāo)注完成將會生成含有類別和位置信息的.xml文件，標(biāo)注完成后將300幅圖像按7∶2∶1的比例劃分為訓(xùn)練集（210幅）、測試集（60幅）和驗(yàn)證集（30幅）。

YOLO-V3網(wǎng)絡(luò)訓(xùn)練采用COCO數(shù)據(jù)集作為初始訓(xùn)練集，初始學(xué)習(xí)率設(shè)置為0.001，學(xué)習(xí)率衰減方法為隨機(jī)梯度下降和Adam優(yōu)化。每批次訓(xùn)練數(shù)量設(shè)置為16，最大訓(xùn)練次數(shù)設(shè)置為500次，單步訓(xùn)練時(shí)間約為2 s，每訓(xùn)練10 min保存模型參數(shù)。訓(xùn)練300次后模型逐漸收斂。使用玉米根系數(shù)據(jù)集進(jìn)行檢測，YOLO-V3網(wǎng)絡(luò)根系和根尖圖像的識別精確率、召回率、1分?jǐn)?shù)分別為85.50%、89.20%、87.31%，檢測速度34幀/s，滿足快速檢測的需求。

2.2 根系圖像修復(fù)

2.2.1根系圖像預(yù)處理

由于試驗(yàn)環(huán)境的限制，采集圖像背景中常帶有反光和水漬，根系圖像中泥土等污染物以及根系局部褐化、發(fā)黑等都會影響后續(xù)算法的效果，因此需要對圖像進(jìn)行預(yù)處理方法。

首先，對根系灰度圖采用自適應(yīng)對比度增強(qiáng)算法調(diào)整圖像的全局對比度，減少反光和泥土雜質(zhì)干擾；其次，采用查表（Look Up Table，LUT）直方圖算法分離根系主體和深色背景，提取帶有少量噪聲的根系圖像；然后，通過椒鹽去噪、腐蝕和膨脹等算法去除噪聲；最后，采用骨架算法獲取根系的細(xì)化圖像，提取根系的形態(tài)特征。

2.2.2根系斷點(diǎn)判定

對預(yù)處理后的根系圖像進(jìn)行斷點(diǎn)判定后輸出斷點(diǎn)坐標(biāo)信息。斷點(diǎn)的數(shù)學(xué)判定[24]如圖1所示，在骨架化后玉米根系圖像中截取分辨率為3×3的像素矩陣，矩陣中的1代表玉米根系像素點(diǎn)，0代表背景像素點(diǎn)，將該像素矩陣與核矩陣進(jìn)行卷積得到特征矩陣，特征矩陣中心的值即為特征值，通過判斷特征矩陣中各點(diǎn)的特征值來判斷是否為斷點(diǎn)，通過分析8種斷點(diǎn)像素矩陣的特征得出當(dāng)特征值為且僅為17、18、20、24、48、80、144、272這8種情況時(shí)，該點(diǎn)為斷點(diǎn)，否則為非斷點(diǎn)。

2.2.3主根直徑的計(jì)算

作物根系在局部可視作斜率固定、值為1的矩形（圖 2），由根的骨架點(diǎn)出發(fā)，沿軸、軸方向前進(jìn)，當(dāng)?shù)竭_(dá)根系邊緣，得到該方向上像素單位長度的值，代入式（1）計(jì)算出主根直徑像素單位寬度width。

注：為根的骨架點(diǎn)到根系邊緣沿軸方向的長度，像素；為根的骨架點(diǎn)沿軸方向的長度，像素；width為主根直徑，像素。

Note:is the length of the root skeleton point to the root edge along the-axis, pixels;is the length of the root skeleton point to the root edge along the-axis, pixels; width is the diameter of the main root, pixels.

圖2 玉米主根直徑計(jì)算示意圖

Fig.2 Calculation diagram of maize main root diameter

2.2.4徑向生長修復(fù)

傳統(tǒng)圖像分割算法有區(qū)域生長算法、均值迭代分割算法、最大類間方差分割算法等，適用于分割物體像素點(diǎn)較為聚集的圖像。根系圖像由于存在斷根、側(cè)根等情況，造成主根像素點(diǎn)較為分散，傳統(tǒng)圖像分割算法的分割效果并不理想。

本研究提出一種徑向生長修復(fù)算法，獲取根系圖像中的根尖范圍，而后在根尖范圍中進(jìn)行根系的斷點(diǎn)判定獲得初始生長點(diǎn)，再通過生長規(guī)則識別主根和側(cè)根，當(dāng)遇到根系斷點(diǎn)時(shí)通過修復(fù)規(guī)則進(jìn)行主根修復(fù)，修復(fù)成功后沿著主根方向更新生長點(diǎn)繼續(xù)識別和修復(fù)主根，當(dāng)修復(fù)失敗時(shí)終止修復(fù)算法，返回全部根系表型信息。其中，生長規(guī)則、終止條件和修復(fù)規(guī)則的具體步驟如下：

1）生長規(guī)則：每一個(gè)根的像素點(diǎn)均有絕對坐標(biāo)(x,y)和相對坐標(biāo)(rx,ry)，相對坐標(biāo)(rx,ry)為像素點(diǎn)(x+1,y+1)相對于像素點(diǎn)(x,y)的坐標(biāo)。當(dāng)根系生長進(jìn)行到(x,y)點(diǎn)時(shí)，通過(rx,ry)生成此點(diǎn)對應(yīng)的相關(guān)矩陣mat（圖3），相關(guān)矩陣mat由待計(jì)算矩陣mat確定，將2個(gè)深色像素標(biāo)為0并將其延長方向上的點(diǎn)記作4，再從4遞減依次填入3、2、1即可確定相關(guān)矩陣mat。將以此像素點(diǎn)為中心生成的3×3待計(jì)算矩陣mat與相關(guān)矩陣mat相乘得到新矩陣，尋找新矩陣中最大值并計(jì)算出新的生長點(diǎn)絕對坐標(biāo)(x+1,y+1)和相對坐標(biāo)(rx+1,ry+1)，更新待計(jì)算矩陣mat并對新的生長點(diǎn)繼續(xù)執(zhí)行生長規(guī)則，循環(huán)執(zhí)行直至滿足終止條件，將所有生長點(diǎn)存儲到列表中。

2）終止條件：當(dāng)(x,y)生長到斷點(diǎn)時(shí)，以個(gè)像素為半徑搜索區(qū)域內(nèi)是否存在端點(diǎn)，如果存在端點(diǎn)即用3次樣條插值擬合修復(fù)曲線；如不存在端點(diǎn)則終止算法。

3）修復(fù)規(guī)則：計(jì)算(x,y), (x-1,y-1),…, (x-N,y-N)等像素點(diǎn)的相對坐標(biāo)的累加和(rx,ry)，將相對坐標(biāo)累加和(rx,ry)和當(dāng)前生長點(diǎn)(x,y)相加得修復(fù)點(diǎn)(x,y)，以(x,y)為新生長點(diǎn)返回步驟2）（圖4）。

注：深色背景為已判定為主根的像素點(diǎn)，淺色背景為已判定為側(cè)根的像素點(diǎn)，下同。

注：圖4a中帶有黑色圓形點(diǎn)的實(shí)線代表主根，虛直線代表相對坐標(biāo)累加和(rxs, rys)的向量延長，點(diǎn)畫圈為搜索范圍，搜索半徑為n個(gè)像素。圖4b中的粗實(shí)線代表修復(fù)后的根系。

2.3 徑向生長修復(fù)算法流程

徑向生長修復(fù)算法流程如圖5所示。首先，通過YOLO-V3網(wǎng)絡(luò)對輸入根系圖像進(jìn)行根尖識別，獲取玉米根系的根尖區(qū)域；其次，對根尖區(qū)域內(nèi)進(jìn)行根系斷點(diǎn)判定，獲取初始生長點(diǎn)0，將0點(diǎn)絕對坐標(biāo)與相對坐標(biāo)輸入算法進(jìn)行迭代；當(dāng)遇到根系分叉點(diǎn)P時(shí)，自動去除無效的根系分叉點(diǎn)并計(jì)算最優(yōu)分叉點(diǎn)，將P1點(diǎn)代入算法繼續(xù)迭代；當(dāng)遇到根系斷點(diǎn)P1時(shí)，搜尋端點(diǎn)領(lǐng)域內(nèi)存在的其他根系斷點(diǎn)并用3次樣條差值修復(fù)主根，將修復(fù)點(diǎn)代入算法繼續(xù)迭代，如果未搜尋到其他根系斷點(diǎn)則終止算法，輸出根系表型信息。

2.4 根系表型參數(shù)評價(jià)模型

根據(jù)本研究所提算法對根系圖像進(jìn)行處理獲取表型參數(shù)，建立表型參數(shù)評價(jià)模型來計(jì)算預(yù)測參數(shù)和實(shí)際參數(shù)的量化差異，以此評價(jià)表型參數(shù)測量精度，表型參數(shù)評價(jià)模型如式（2）所示：

3 結(jié)果與分析

3.1 基于徑向生長修復(fù)算法的玉米根系圖像修復(fù)

通過YOLO-V3網(wǎng)絡(luò)識別根系的主體位置并裁切圖像（圖6a）；利用YOLO-V3網(wǎng)絡(luò)識別主根根尖的位置，確定主根提取起始點(diǎn)（圖6b）；利用自適應(yīng)對比度增強(qiáng)算法對圖像進(jìn)行信息增強(qiáng)（圖6c）；通過查找表直方圖算法分離出根系和背景，通過椒鹽去噪有效去除預(yù)處理過程中出現(xiàn)的各類噪聲（圖6d）；利用骨架算法獲取根系骨架（圖6e）；通過提取出的根系形態(tài)學(xué)信息，由徑向生長修復(fù)算法對根系骨架進(jìn)行處理，有效分離主根和側(cè)根，并在根系的斷點(diǎn)處進(jìn)行自適應(yīng)修復(fù)（圖6f）?；诮徤L的區(qū)域生長算法提取結(jié)果的對比如圖6g。

3.2 玉米根系表型參數(shù)提取

選取本研究種植的玉米主根共145根，分別采集其主根長、主根直徑和側(cè)根數(shù)量，3種脅迫環(huán)境根系表型參數(shù)下的實(shí)測值、區(qū)域生長算法和徑向生長修復(fù)算法測量值及其精度對比結(jié)果如表1所示。

在干旱環(huán)境下，采用區(qū)域生長算法時(shí)，由于斷根側(cè)根的干擾，主根長、主根直徑測量結(jié)果精度較低，普通植株（MA1）分別為75.9%和73.4%，抗旱植株（MB1）分別為81.9%和82.4%；采用本研究徑向生長修復(fù)算法，主根長、主根直徑測量精度明顯提高，普通植株（MA1）分別為97.1%和97.5%，抗旱植株（MB1）分別為98.3%和97.6%；徑向生長修復(fù)算法與區(qū)域生長算法相比，在主根長、主根直徑測量的精度上普通植株（MA1）提高15.2和15.1個(gè)百分點(diǎn)，抗旱植株（MB1）提高16.4和15.2個(gè)百分點(diǎn)。

在洪澇環(huán)境下，采用區(qū)域生長算法時(shí)，普通植株（MA2）分別為84.3%和94.0%，抗?jié)持仓辏∕C2）分別為92.7%和85.2%；采用本研究徑向生長修復(fù)算法，主根長、主根直徑測量精度提升較小，普通植株（MA2）分別為99.3%和96.4%，抗?jié)持仓辏∕C2）分別為97.1%和91.4%；徑向生長修復(fù)算法與區(qū)域生長算法相比，在主根長、主根直徑測量的精度上普通植株（MA2）提高15.0和2.4個(gè)百分點(diǎn)，抗?jié)持仓辏∕C2）提高4.4和6.2個(gè)百分點(diǎn)。

在鹽腌環(huán)境下，采用區(qū)域生長算法時(shí)，普通植株（MA3）分別為90.0%和88.2%，抗鹽植株（MD3）分別為77.2%和83.1%；采用本研究徑向生長修復(fù)算法，主根長、主根直徑測量精度明顯提高，普通植株（MA3）分別為97.4%和92.1%，抗鹽植株（MD3）分別為95.2%和93.5%；徑向生長修復(fù)算法與區(qū)域生長算法相比，在主根長、主根直徑測量的精度上普通植株（MA3）提高7.4和3.9個(gè)百分點(diǎn)，抗鹽植株（MD3）提高12.1和10.4個(gè)百分點(diǎn)。

由此可見，在干旱環(huán)境和鹽腌環(huán)境下，徑向生長修復(fù)算法比區(qū)域生長算法提取表型參數(shù)的精度提升較為明顯，而澇漬環(huán)境下的提升較為有限。區(qū)域生長算法對主根長、主根直徑測量的精度分別為83.6%和84.4%，徑向生長修復(fù)算法對主根長、主根直徑測量的精度分別為97.4%和94.8%，徑向生長修復(fù)算法與區(qū)域生長算法相比，在主根長、主根直徑測量的精度上提高13.8和10.4個(gè)百分點(diǎn)。結(jié)果表明，徑向生長修復(fù)算法在玉米根系表型參數(shù)的提取精度更高，方法具有有效性。

表1 玉米根系表型參數(shù)的實(shí)測值、區(qū)域生長算法和徑向生長修復(fù)算法提取結(jié)果對比

4 結(jié) 論

針對玉米根系圖像中的斷根易導(dǎo)致根系表型信息難以精確提取的問題，提出一種根系徑向生長修復(fù)算法，通過YOLO-V3檢測模型定位根系和主根的區(qū)域，并通過斷點(diǎn)判定算法提取根尖，以根尖為初始生長點(diǎn)，通過徑向生長修復(fù)算法進(jìn)行主根圖像修復(fù)并提取主根和側(cè)根表型信息。結(jié)果表明：

1）區(qū)域生長算法對主根長、主根直徑測量的精度分別為83.6%和84.4%，徑向生長修復(fù)算法對主根長、主根直徑測量的精度分別為97.4%和94.8%，徑向生長修復(fù)算法與區(qū)域生長算法相比，在主根長、主根直徑測量的精度上分別提高13.8和10.4個(gè)百分點(diǎn)，徑向生長修復(fù)算法在玉米根系表型參數(shù)的提取精度更高，證明了本文方法的有效性。

2）基于本研究算法，分別對普通、抗旱、抗?jié)澈涂果}的玉米品種進(jìn)行早期根系表型信息提取。結(jié)果表明，在干旱環(huán)境和鹽腌環(huán)境下，徑向生長修復(fù)算法比區(qū)域生長算法的提取精度提升較為明顯，干旱環(huán)境下，普通植株（MA1）的主根長、主根直徑提取精度提高15.2和15.1個(gè)百分點(diǎn)，抗旱植株（MB1）提高16.4和15.2個(gè)百分點(diǎn)；鹽腌環(huán)境下，普通植株（MA3）提高7.4和3.9個(gè)百分點(diǎn)，抗鹽植株（MD3）提高12.1和10.4個(gè)百分點(diǎn)；而澇漬環(huán)境下的提升較為有限，洪澇環(huán)境下，普通植株（MA2）的主根長、主根直徑提取精度提高15.0和2.4個(gè)百分點(diǎn)，抗?jié)持仓辏∕C2）提高4.4和6.2個(gè)百分點(diǎn)。研究結(jié)果可為根系表型自動化檢測提供參考。

[1] 張翠梅，師尚禮，吳芳. 干旱脅迫對不同抗旱性苜蓿品種根系生長及生理特性影響[J]. 中國農(nóng)業(yè)科學(xué)，2018，51(5)：868-882.

Zhang Cuimei, Shi Shangli, Wu Fang. Effects of drought stress on root and physiological responses of different drought-tolerant alfalfa varieties[J]. Scientia Agricultura Sinica, 2018, 51(5): 868-882. (in Chinese with English abstract)

[2] 丁紅，張智猛，戴良香. 不同抗旱性花生品種的根系形態(tài)發(fā)育及其對干旱脅迫的響應(yīng)[J]. 生態(tài)學(xué)報(bào)，2013，33(17)：5169-5176.

Ding Hong, Zhang Zhimeng, Dai Liangxiang. Responses of root morphology of peanut varieties differing in drought tolerance to water-deficient stress[J]. Acta EcologicaSinica, 2013, 33(17): 5169-5176. (in Chinese with English abstract)

[3] Zhao J, Xue Q W, Jessup K E, et al. Shoot and root traits in drought tolerant maize (L.) hybrids[J]. Journal of Integrative Agriculture, 2018, 17(5): 1093-1105.

[4] 李躍，萬里強(qiáng)，李向林. 水分脅迫對不同紫花苜蓿品種幼苗生長特性和根系A(chǔ)BA含量的影響[J]. 中國農(nóng)業(yè)大學(xué)學(xué)報(bào)，2017，22(10)：75-83.

Li Yue, Wan Liqiang, Li Xianglin. Effects of water stress on the growth characteristics and root ABA content of alfalfa[J]. Journal of China Agricultural University, 2017, 22(10): 75-83. (in Chinese with English abstract)

[5] Pires M V, de Castro E M, de Freitas B S M, et al. Yield-related phenotypic traits of drought resistant maize genotypes[J]. Environmental and Experimental Botany, 2020, 171: 103962.

[6] Wang T, Rostamza M, Song Z H, et al. SegRoot: A high throughput segmentation method for root image analysis[J]. Computers and Electronics in Agriculture, 2019, 162: 845-854.

[7] Maenhout P, Sleutel S, Xu H, et al. Semi-automated segmentation and visualization of complex undisturbed root systems with X-rayCT[J]. Soil and Tillage Research, 2019, 192: 59-65.

[8] Santos D S, Faia P M, Garcia F A P, et al. Oil/water stratified flow in a horizontal pipe: Simulated and experimental studies using EIT[J]. Journal of Petroleum Science and Engineering, 2019, 174: 1179-1193.

[9] Fitters T F J, Mooney S J, Sparkes D L. Sugar beet root growth under different watering regimes: A minirhizotron study[J]. Environmental and Experimental Botany, 2018, 155: 79-86.

[10] Chu X, Wang W, Yoon S C, et al. Detection of aflatoxin B1(AFB1) in individual maize kernels using short wave infrared (SWIR) hyperspectral imaging[J]. Biosystems Engineering, 2017, 157: 13-23.

[11] Shi R L, Junker A, Seiler C, et al. Phenotyping roots in darkness: Disturbance-free root imaging with near infrared illumination[J]. Functional Plant Biology, 2018, 45(4): 400-411.

[12] Yang C, Lu X, Lin Z, et al. High-resolution image inpainting using multi-scale neural patch synthesis[C]//IEEE Conference on Computer Vision and Pattern Recognition, Honolulu: IEEE, 2017.

[13] Sarkar A, Iyengar R. Enforcing Linearity in DNN SuccoursRobustness and Adversarial Image Generation[M]. Cham: Springer, 2020.

[14] Yasrab R, Atkinson J A, Wells D M, et al. RootNav 2. 0: Deep learning for automatic navigation of complex plant root architectures[J]. Giga Science, 2019, 8: 1-16.

[15] Barnes C, Shechtman E, Finkelstein A, et al. PatchMatch: A randomized correspondence algorithm for structural image editing[J]. ACM Transactions on Graphics, 2009, 28(3): 1-11.

[16] Hund A, Trachsel S, Stamp P, et al. Growth of axile and lateral roots of maize: I development of a phenotying platform[J]. Plant and Soil, 2009, 325: 335-349.

[17] Eapen D, Martínez-Guadarrama J, Hernández-Bruno O, et al. Synergy between root hydrotropic response and root biomass in maize (L. ) enhances drought avoidance[J]. Plant Science, 2017, 265: 87-99.

[18] Wu Y Y, He J, Ji Y M, et al. Enhanced classification models for iris dataset[J]. Procedia Computer Science, 2019, 162: 946-954.

[19] Ghorchiani M, Etesami H, Alikhani H A, et al. Improvement of growth and yield of maize under water stress by co-inoculating an arbuscular mycorrhizal fungus and a plant growth promoting rhizobacterium together with phosphate fertilizers[J]. Agriculture, Ecosystems & Environment, 2018, 258: 59-70.

[20] Richter J A, Erban A, Kopka J, et al. Metabolic contribution to salt stress in two maize hybrids with contrasting resistance[J]. Plant Science, 2015, 233: 107-115.

[21] Redmon J, Farhadi A. YOLOv3: An incremental improvement[EB/OL]. [2018-04-08], https://arxiv.org/pdf/ 1804. 02767. pdf.

[22] Tian Y N, Yang G D, Wang Z, et al. Apple detection during different growth stages in orchards using the improved YOLO-V3 model[J]. Computers and Electronics in Agriculture, 2019, 157: 417-426.

[23] Tracy S R, Nagel K A, Postma J A, et al. Crop improvement from phenotyping roots: Highlights reveal expanding opportunities[J]. Trends in Plant Science, 2020, 25(1): 105-118.

[24] Lu W, Li Y, Deng Y M. Root phenotypic detection of different vigorous maize seeds based on Progressive Corrosion Joining algorithm of image[J]. Plant Methods, 2019, 15(1): 1-13.

Radial growth repair algorithm for maize root phenotype detection

Lu Wei1, Shao Yuning1, Wang Ling1, Luo Hui1, Zhou Ji2, Deng Yiming3

(1.,,210031,; 2.,CB3 0LE,; 3.,,48824,)

This study aims to improve the detection precision of plant root phenotyping in the images, particularly with broken roots. An algorithm of radial growing repair was proposed to apply to the evaluation of maize seed’s resistance to damage. A soil culture experiment was also conducted on the Pukou campus of Nanjing Agricultural University in China every month. After that, four varieties of corn seeds were selected: Yufeng 303 (ordinary control group), Zhengdan 958 (drought resistance group), Liyu 16 (water resistance group), and Zhengdan 958 (salt resistance group). Four kinds of resistant corn seeds were planted in trough-shaped and flat containers for 14d, including ordinary, drought-resistant, water-resistant, and salt-resistant corn seeds. Subsequently, the root system was taken out to rinse the residual soil with tap water, and then placed on a solid-color background plate to level out. Prior to image acquisition, the root length and diameter were measured by a ruler, and the number of main and lateral roots was counted to record. The specific procedure of image processing was as follows. Firstly, a series of operations was used to preprocess the collected images for the extraction of root systems from complex backgrounds, such as adaptive contrast enhancement, histogram grayscale searching, and pepper-salt denoising. As such, the discrimination of root images was improved to remove the noise during image acquisition, such as reflections and water stains. Secondly, the tips of main roots in maize images were detected by training the YOLO-V3 neural network. Finally, the radial growth repair algorithm was presented, including the direction discrimination of main roots in bifurcation points, and adaptive repair in end points. These strategies greatly contributed to extracting phenotypic parameters from main and lateral roots. Maize root datasets were also selected to evaluate the practicality and accuracy of radial growth repair. The results demonstrated that the phenotypic accuracy of repaired main roots lengths and diameter increased from 83.6% and 84.4% to 97.4% and 94.8%, respectively, compared with that processed by region growth algorithm. The phenotypic parameters extracted by radial growth repair algorithm was more precise than that extracted by region growth algorithm, which indicated that radial growth repair algorithm was suitable for extraction of maize root system parameters in different stress environments. The accuracy of radial growth was improved more obviously in the salty environments and drought environments. The results in this study demonstrated that the proposed radial growth repair algorithm could improve the accuracy of root image phenotype detection and could be efficient for maize resistance evaluation, which provided reference for the rapid extraction of root system phenotype.

image processing; algorithm; root system phenotype; environmental stress; radial growth; adaptive repairing

盧偉，邵昱寧，王玲，等.利用徑向生長修復(fù)算法檢測玉米根系表型 [J]. 農(nóng)業(yè)工程學(xué)報(bào)，2021，37(18)：195-202.doi：10.11975/j.issn.1002-6819.2021.18.023 http://www.tcsae.org

Lu Wei, Shao Yuning, Wang Ling, et al. Radial growth repair algorithm for maize root phenotype detection[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(18): 195-202. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2021.18.023 http://www.tcsae.org

2020-09-10

2021-09-03

國家自然科學(xué)基金項(xiàng)目（32071896，31960487）；江蘇省自然科學(xué)基金面上項(xiàng)目（BK20181315）；江蘇省農(nóng)業(yè)科技自主創(chuàng)新項(xiàng)目（CX(20)3068）；國際合作能力提增計(jì)劃項(xiàng)目（2021-PY-11）；蘇州市科技創(chuàng)新項(xiàng)目（SNG2020039）

盧偉，博士，副教授，研究方向?yàn)橹悄軝C(jī)器人與無損檢測技術(shù)。Email：njaurobot@njau.edu.cn

10.11975/j.issn.1002-6819.2021.18.023

S513

A

1002-6819(2021)-18-0195-08