春玉米根系图像语义分割最佳分辨率和概率阈值研究.pdf

1690核农学报2 0 2 3,37(8)：16 90 16 99文章编号：10 0 0-8 551(2 0 2 3)0 8-16 90-10Journal of NuclearAgricultural Sciences春玉米根系图像语义分割最佳分辨率和概率阈值研究赵先丽蔡福富李荣平王笑影谢艳兵温日红贾庆宇（中国气象局沈阳大气环境研究所，辽宁沈阳110166)摘要：为了探究根系图像不同概率阈值和分辨率对根系形态参数的影响，以微根管法观测的春玉米（Ze a ma y s L.）抽雄期40 cm深度根系为例，采用降分辨率方法模拟扫描仪获取不同分辨率图像，基于深度学习U-Net语义分割方法建立的iRoot-VO2根系自动识别软件对不同分辨率根系图像的根长、表面积、体积、直径、根尖数等形态参数进行识别，采用二阶导数方法获取根系与背景的分割阈值拐点，并探讨不同概率阅值对春玉米根系形态参数的影响。结果表明，春玉米抽雄期40 cm深度总根系形态参数（根总长、根总表面积、根总体积、根平均直径、根尖数）和分级根系形态参数（根长、根表面积、根体积）随概率阅值增大呈逐渐减小的趋势，根系形态参数在概率阅值5 2 0 之间的变化幅度较大，在概率阈值2 5之后趋于稳定；通过曲线拐点方法分析确定，根总长曲线拐点出现在概率阈值2 5或30 处。随着根系图像分辨率的减小，根总长和根尖数呈减小的趋势，而根总表面积和根总体积呈先增大后减小的趋势，根平均直径呈增大的趋势。通过对春玉米抽雄期40 cm深度不同概率阈值根系总的和分级形态参数分析，确定春玉米根系图像识别适宜的概率阈值为2 5或30；在图像数量较少时采用图像原始分辨率30 0 dpi分析为宜，图像数量较多时采用2 15dpi分辨率为宜。本研究可为春玉米和其他作物根系形态参数的定量研究提供参考。关键词：春玉米；语义分割；微根管法；二值化；根系形态参数D0I:10.11869/j.issn.1000-8551.2023.08.1690根系作为作物的重要组成器官，是作物与土壤之间物质循环和能量交换的关键因子。根系形态结构体现了作物生长发育的状态和对外界环境的适应性，可以直接反映根系的生长状态，间接反映作物对水分和养分的吸收情况，最终决定作物产量2 。因此，根系形态结构研究有助于阐明作物地下生物量的分配和养分循环过程，在一定尺度可以反映气候、土壤和生物的总体特征3,对提高作物生产潜力、养分和水分吸收利用效率意义重大4-7 。微根管法可以无损和原位观测根系的生长发育、形态、物候及整个生长过程，为根系形态参数、生物量、碳循环等方面的研究提供了便利7-9。观测获得根系图像的识别包括根对象的阈值化和对象量化两部分，主要通过不同方法手动、半自动或自动提取根系的信息10 ,常用的根系图像识别软件，如WinRhizo、Sma r t Ro o t、RootGraph、Im a g e J和AdobePhotoshop及网络根系分析平台等1-12 ,在识别根系时主要以人眼识别和手描轮廓为主，可精确测量根系参数但工作量较大，尤其是对根系进行精细分级存在很大困难1.13。前人关于玉米（ZeamaysL.）根系的研究大多采用WinRhizo软件进行分析，主要开展了根系分布14-19、构型2 0-2 5 和形态参数6.19.2 6-2 7 等方面的研究，但有关图像分割和根系统架构分析等研究较为薄弱I深度学习（deeplearning，D L)方法已广泛应用于根系研究中，作为图像分割领域的重要分支，深度学习语义分割的出现为高分辨率图像分割提供了新方向2 8 。U-net语义分割是一种基于全卷积网络(fullyconvolutionalnetworks，FCN)扩展的图像分割算法，是FCN方法的改进，可精确分割图像中的根系2 9。根系图像分割时需提取根系与背景土壤的特征差异，此过程需对阈值进行有效选取，明确图像中像素点属于根系或背景土壤，从而形成二值图像，因此阈值对图像分收稿日期：2 0 2 2-11-18 接受日期：2 0 2 3-0 2-0 7基金项目：中国气象局沈阳大气环境研究所科研项目（2 0 2 2 SYIAEJY05），国家自然科学基金青年基金项目（317 0 1313），国家自然科学基金面上项目（417 7 5110）作者简介：赵先丽，女，副研究员，主要从事生态气象灾害研究。E-mail：z h a o x i a n l i 2 0 0 1 16 3.c o m“通讯作者：贾庆宇，男，副研究员，主要从事陆面过程与全球变化研究。E-mail:1691春玉米根系图像语义分割最佳分辨率和概率阈值研究8期割结果的影响较大30 0。图像分辨率对根系识别影响也较大，高精度数据和批量处理提高工作效率所需的分辨率不同,应根据不同作物和实际情况进行设定31-3。已有研究多采用软件识别根系形态参数，而关于图像识别获得根系参数的可靠性和结果检验，以及作物各生育期根系形态特征指标的变化和不同级别根系数据分类提取的相关研究较少31。因此，本研究利用iRoot-VO2根系软件自动识别春玉米抽雄期总的和分级根系形态参数，探讨不同概率阈值和分辨率对根系形态参数的影响，旨在为进一步定量分析春玉米根系形态特征随生育进程的变化提供参考1材料与方法1.1研究区概况根系观测试验在辽宁省锦州玉米农田野外科学试验站（12 112 E，4149 N，平均海拔17.0 m）进行，该地区属于典型的温带季风气候，年平均气温9.5，1月平均气温-8.0，7 月平均气温2 4.4，年降水量565.9mm，主要作物春玉米的生育期为5一9月，土壤为典型棕壤17-18 大型根系观测系统由地上作物种植区和地下根系观测室组成（图1）：地上东西两侧各有8 个长4.0 m、宽2.0m、深3.0 m的种植小区，小区之间用水泥墙隔离，小区内土壤为原状土。地下根系观测室东西两侧各安装8 个高3.0 m、宽1.5m、厚2.0 cm的钢化玻璃观测窗，玻璃观测窗与对应的种植小区土壤紧密相连；每个观测窗的垂直中线部位自上而下分别在40、8 0、12 0、160、2 0 0 c m 土层深度安装5根长2.0 m、外径7.2 cm的玻璃管，每个玻璃管向上倾斜10 2 9插入作物种植小区土壤中18 34作物种植区根系观测室图1大型根系观测系统地上作物种植区和地下根系观测室Fig.1The crop planting areas and underground root observation rooms of large root observation system1.2试验设计2018年在种植小区播种春玉米中晚熟品种先玉335（国审玉2 0 0 6 0 2 6，行距40 cm，株距30 cm），生育期为12 8 d;利用CI-600根系生长监测系统（CIDBio-ScienceInc.，美国）进行观测，根系观测图像原始分辨率为30 0 dpi（46 0 p i x x 2 0 40 p i x），根系观测日期和对应发育期见表1。表1春玉米根系观测日期及其对应发育期Table1Dates of root observation and corresponding growth periods of spring maize日期Date6月2 7 日7月4日7月2 6 日8月2 日8月8 日8月16 日8月2 2 日8 月2 9 日9月5日9月19 日发育期 Growth period拔节期拔节一抽雄期抽雄期抽雄一乳熟期乳熟期乳熟一成熟期成熟期1.3试验方法1.3.1根系图像处理流程将根系图像输人基于U-net神经网络模型2 9.34-37 训练得到的根系图像处理模型中，模型将输人的根系图像分割成多个子图像，加入噪声，判断每个像素点是否为根系，分割后的子图像进人编解码器，经过多次融合过程，获得多个增强根系特征的子图像，再将多个子图像拼接成与根系图像大小相同的根系特征图像。根系特征图像即为根系概率分布图，图中每个像素值表示预测为根系的概率，像素值范围为0 2 55，值越大表示预测为根系的概率越大，反之越小。根据设定的根系概率阈值对根系概率分布图进行二值化处理，得到根系二值化图，如设定根系概率阈值为5，则将根系特征图像中像素值大于等于5的点作为根系像素点二值化为2 55，像素值小于5的点作为土壤像素点二值化为0，白色部分代表根系，黑色部分代表土壤。基于根系二值化图统计根系像素点数169237卷报核农学量，计算投影面积；对二值化图进行骨架抽取得到根系骨架图，基于根系骨架图提取根长、根直径和根尖数，根据根长和根直径计算根表面积和体积，并根据选取的根系直径分级指标再进行分级根系形态参数的计算(图2)34统计根系像素计算投影点数量面积基于深度学习设定根系图像按照的U-net语义输出根系闵值输出根系512x512像素分割方法概率分布图二值化图切割分块建立模型提取根根长长、根根直径计算根表提取根系骨架图直径和面积和体积根尖数设定根系直径分级指标计算分级根系形态参数图2基于深度学习的语义分割方法根系图像处理流程Fig.2Flow chart of the root image semantic segmentation method based on deep learning由于玉米根系主要集中分布在0 6 0 cm深度土层中38 ,因此本研究切割根系图像清晰部分进行分析，大小为4.0 7 cmx18.34cm（30 0 d p i），主要探讨春玉米根系旺盛生长阶段抽雄期40 cm深度的根总长、根总表面积、根总体积、根平均直径、根尖数及分级根长、分级根表面积、分级根体积等根系形态参数的变化，1.3.2不同概率阅值影响分析采用Origin软件对根系形态参数原值进行分析得到不同概率阈值曲线的拐点，作为春玉米根系图像适宜概率阈值选取的参考39,先利用软件计算根系形态参数的一阶和二阶导数，并绘制原值曲线、一阶导数曲线和二阶导数曲线，然后利用纵向坐标读取工具选取值一阶导数峰值和二阶导数最接近0 的点即为曲线的拐点。概率阈值设置见表2，采用根系形态参数原值和相邻两个概率阈值数据之差相对概率阈值5的变化率来分析不同概率值对根系形态参数的影响，如概率阅值10 与5变化率=（阅值10-值5)/阈值510 0.0%，概率阅值15与10 变化率=（阅值15-值10)/阈值5100.0%以此类推。表2 春玉米根系图像概率阈值和分辨率设置Table2Setting of probability thresholds and resolutions of the root image of spring maize概率阅值Probabilitythreshold5、10、15、2 0、2 5、30、35、40、45、50、55、6 0、6 5、7 0、7 5、8 0、8 5、90、95、10 0分辨率Resolution460 pixx2040 pix(300 dpi)、345 p i x x 1536 p i x(2 15 d p i)、2 30 p i x x 10 2 4 p i x(145 d p i)、115 p i x x 512 p i x(7 2 d p i)1.3.3不同分辨率影响分析根系图像原始分辨率为30 0 dpi,本研究通过降分辨率方法模拟扫描仪设置3种不同分辨率，分析4种分辨率根系图像对根系形态参数识别的影响（表2)。1.3.4根系分级方法通常将植物根系以2.0 mm直径为界划分为细根和粗根,前人研究表明玉米以1.0 mm直径以下根系为主。因此本研究采用根系软件识别根系图像时，选取0.1mm作为根系直径分级指标，然后将0.1mm直径分级数据采用0.5mm、1.0 m m 和2.0mm等3个等级汇总数据进行分析。即：0.5mm等级,0.0 0.5mm=0.00.1 mm+0.10.2mm+.+0.40.5mm,以此类推；1.0 mm等级,0.0 1.0 mm=0.00.1mm+0.10.2mm+.+0.91.0mm,