利用徑向生長修復算法檢測玉米根系表型

盧 偉，邵昱寧，王 玲，羅 慧，周 濟，鄧一明

利用徑向生長修復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2，鄧一明3

（1. 南京農業大學人工智能學院，南京 210031；2. 劍橋作物研究所/國立農業植物學研究所，英國劍橋 CB3 0LE；3. 密歇根州立大學工學院，美國密歇根州東蘭辛 48824）

針對根系圖像中的斷根易導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算法，并基于此進行不同抗性玉米種子根系表型對比研究。首先，采用自適應對比度增強、直方圖灰度查找、椒鹽去噪等對采集的根系圖像進行預處理，從復雜背景中分離出根系圖像；再通過YOLO-V3檢測模型進行根系圖像中主根根尖識別；最后，自根尖開始進行徑向生長，通過分叉點主根提取策略、端點自適應修復策略實現主根圖像修復，并提取主根和側根表型信息。將普通、抗旱、抗澇、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14 d后取出，沖洗得到完整根系并進行圖像采集。采用徑向生長修復算法進行根系修復后提取根系長度和直徑與根系圖像修復前相比，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%，徑向生長修復算法提取精度優于區域生長算法，適用于不同脅迫環境下玉米根系表型參數提取。在干旱環境和鹽腌環境下，徑向生長修復算法精度提升更明顯。結果表明，該研究所提出的根系徑向生長修復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；環境脅迫；徑向生長；自適應修復

0 引 言

根系是作物吸收水分、礦物質的重要組織，其主根、側根等表型信息與作物抗逆性能密切相關，可直接反應作物的抗逆能力[1-5]，因此研究根系表型與基因型之間的關系對種質創新具有重要意義。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方法，有損檢測主要有直接挖掘法、保護挖掘法等，挖掘法需要挖掘、清洗等多個步驟，可對根系進行完整檢測，但費工費時。因此很多學者進行根系無損檢測的研究?，F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]、掩埋式微型相機法[9]、紅外熱成像[10]、透明培養基[11]等方法。Maenhout等[7]通過X-Ray CT實現對土壤下根系的可視化檢測和半自動分割，但X-Ray CT設備昂貴、檢測速度慢且X射線會對根系發育造成一定影響，導致該方法較難普及；Santos等[8]利用EIT進行根系檢測，但分辨率低且易受土壤電導率不均勻性影響，需要進一步改進；Fitters等[9]提出使用掩埋式微型相機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影響。以上學者采用不同的傳感設備進行根系表型檢測，但是都存在明顯缺點。此外，Shi等[11]從培養基的角度改進根系表型檢測，雖然透明基質可以完整迅速地采集到根系信息，但透明基質中作物根系的發育與在土壤中有一定差異。因此，有損檢測仍然是現今農業育種行業進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、密集側根和背景噪聲的影響，沖洗后的根系圖像仍然會產生斷點，影響主根和側根的表型信息的精確測量。目前，圖像修復算法分為傳統修復算法和基于深度學習的修復算法?；谏疃葘W習的修復算法主要有生成對抗網絡（Generative Adversarial Networks，GAN）[12]、深度神經網絡（Deep Neural Network，DNN）[13]等。GAN需要大量樣本訓練模型且訓練周期較長，如Sarkar等[13]通過手繪大量根系完整圖像和斷裂圖像作為DNN的訓練集，但訓練集理想化難以適用復雜環境下根系圖像修復?；谏疃葘W習的修復算法需要大量數據訓練，不適合復雜環境下的根系圖像修復。傳統圖像修復算法包括PatchMatch算法[14]、Criminisi算法[15]等。PatchMatch算法易陷入局部最優解，導致修復失敗；Criminisi算法迭代流程較長，不利于快速修復。

綜上，為進一步提高根系表型參數自動化檢測的精度，本研究基于區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算法，通過使用較小數據集訓練即可實現根系圖像快速修復，并提取出玉米根系主要的表型參數。利用該算法對不同抗性玉米種子根系表型進行提取，以期為根系表型參數的精準提取提供參考和借鑒。

1 材料與方法

1.1 槽型植物培養裝置

根系具有豐富的空間特征，圓柱形培養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槽型扁平結構的培養裝置，底部預留5個直徑2 mm的排水孔，填充10 cm高度的有機土（pH值為 6.7～6.9，有機質含量為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裝置中進行培養。

1.3 試驗方法

土培試驗于2020年5月在南京農業大學浦口校區進行，試驗品種分別為裕豐303（普通對照種）、鄭單958（抗旱種）、蠡玉16（抗澇種）、鄭單958（抗鹽種）。將玉米種子分為3組進行試驗，抗旱組8株、抗澇組8株和抗鹽組8株，試驗的具體設置情況為：干旱環境中設置裕豐303（MA1）和鄭單958（MB1），澇漬環境中設置裕豐303（MA2）和蠡玉16（MC2），鹽腌環境中設置裕豐303（MA3）和鄭單958（MD3）。將3組玉米種子放置于光照充足的環境下，每隔24 h澆灌100 ml的自來水進行催芽，晝、夜溫度分別為（23±1）、（17±1）℃，相對濕度為60%左右，當玉米胚芽長度超過種子長度時視為幼苗成形（約72 h）。3種脅迫的處理方法如下：

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

澇漬環境[19]：每天澆灌1/2濃度的Hoagland營養液，僅預留1個的排水孔，其他排水孔封堵；

鹽腌環境[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營養液進行澆灌。

第14天從土壤取出試驗組所有玉米植株，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，利用標尺測量根系的主根長度、主根直徑，清點主根、側根數量并記錄，然后使用USB 高清攝像頭進行圖像采集。

1.4 試驗平臺

試驗硬件平臺配置為Windows64位系統，16 GB內存，Intel i5-9400F 2.90 GHz處理器，RTX 2070 SUPER 8 G顯卡，使用深度學習框架Tensorflow1.15.0結合CUDA8.0和CUDNN5.0，代碼運行環境Python 3.6。

2 根系表型提取算法

2.1 基于YOLO-V3的根尖識別

目標識別是神經網絡的重要應用，被廣泛應用于物體檢測、無人駕駛等領域，深度神經網絡在性能上可識別特征多、形態學復雜的物體，具有廣泛的應用前景。目前常用的目標檢測網絡有YOLO-V3網絡、單步檢測算法（Single Shot Detection，SSD）、快速區域卷積網絡（Fast Region Convolutional Neural Network，Fast R-CNN）。其中，Fast R-CNN將目標檢測分為特征提取和目標分類2個階段，YOLO-V3網絡則是基于先驗框直接進行檢測，在檢測速度上Fast R-CNN慢于YOLO-V3[21]；SSD雖為單階段目標檢測，但全類平均精度（mean Average Precision，mAP）低于YOLO-V3網絡[22]。因此，綜合考慮檢測速度和準確率2個因素以及計算資源消耗，本研究選用YOLO-V3網絡進行根尖識別。

將待識別圖像輸入YOLO-V3網絡，首先通過卷積神經網絡進行特征提取形成特征圖，再進行全卷積特征識別。YOLO-V3將待識別的圖像分割為×個區域，當物體的中心落在其中一個區域中時，區域所對應的YOLO-V3網絡負責區域內物體檢測，計算目標區域的置信度并進行多標簽分類。YOLO-V3采用9種不同大小的錨點對圖像進行分割，從而能夠獲得3種不同尺寸的特征圖，根據Redmon J[21]的研究結果，3種特征圖的邊長分別為13、26、52個像素單位，不同尺寸的特征圖可以檢測不同尺寸的目標。通過特征圖計算損失函數并完成整個網絡的更新。

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

YOLO-V3網絡訓練采用COCO數據集作為初始訓練集，初始學習率設置為0.001，學習率衰減方法為隨機梯度下降和Adam優化。每批次訓練數量設置為16，最大訓練次數設置為500次，單步訓練時間約為2 s，每訓練10 min保存模型參數。訓練300次后模型逐漸收斂。使用玉米根系數據集進行檢測，YOLO-V3網絡根系和根尖圖像的識別精確率、召回率、1分數分別為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

2.2.1根系圖像預處理

由于試驗環境的限制，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、發黑等都會影響后續算法的效果，因此需要對圖像進行預處理方法。

首先，對根系灰度圖采用自適應對比度增強算法調整圖像的全局對比度，減少反光和泥土雜質干擾；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化圖像，提取根系的形態特征。

2.2.2根系斷點判定

對預處理后的根系圖像進行斷點判定后輸出斷點坐標信息。斷點的數學判定[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，0代表背景像素點，將該像素矩陣與核矩陣進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的特征值來判斷是否為斷點，通過分析8種斷點像素矩陣的特征得出當特征值為且僅為17、18、20、24、48、80、144、272這8種情況時，該點為斷點，否則為非斷點。

2.2.3主根直徑的計算

作物根系在局部可視作斜率固定、值為1的矩形（圖 2），由根的骨架點出發，沿軸、軸方向前進，當到達根系邊緣，得到該方向上像素單位長度的值，代入式（1）計算出主根直徑像素單位寬度width。

注：為根的骨架點到根系邊緣沿軸方向的長度，像素；為根的骨架點沿軸方向的長度，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 玉米主根直徑計算示意圖

Fig.2 Calculation diagram of maize main root diameter

2.2.4徑向生長修復

傳統圖像分割算法有區域生長算法、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較為聚集的圖像。根系圖像由于存在斷根、側根等情況，造成主根像素點較為分散，傳統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算法，獲取根系圖像中的根尖范圍，而后在根尖范圍中進行根系的斷點判定獲得初始生長點，再通過生長規則識別主根和側根，當遇到根系斷點時通過修復規則進行主根修復，修復成功后沿著主根方向更新生長點繼續識別和修復主根，當修復失敗時終止修復算法，返回全部根系表型信息。其中，生長規則、終止條件和修復規則的具體步驟如下：

1）生長規則：每一個根的像素點均有絕對坐標(x,y)和相對坐標(rx,ry)，相對坐標(rx,ry)為像素點(x+1,y+1)相對于像素點(x,y)的坐標。當根系生長進行到(x,y)點時，通過(rx,ry)生成此點對應的相關矩陣mat（圖3），相關矩陣mat由待計算矩陣mat確定，將2個深色像素標為0并將其延長方向上的點記作4，再從4遞減依次填入3、2、1即可確定相關矩陣mat。將以此像素點為中心生成的3×3待計算矩陣mat與相關矩陣mat相乘得到新矩陣，尋找新矩陣中最大值并計算出新的生長點絕對坐標(x+1,y+1)和相對坐標(rx+1,ry+1)，更新待計算矩陣mat并對新的生長點繼續執行生長規則，循環執行直至滿足終止條件，將所有生長點存儲到列表中。

2）終止條件：當(x,y)生長到斷點時，以個像素為半徑搜索區域內是否存在端點，如果存在端點即用3次樣條插值擬合修復曲線；如不存在端點則終止算法。

3）修復規則：計算(x,y), (x-1,y-1),…, (x-N,y-N)等像素點的相對坐標的累加和(rx,ry)，將相對坐標累加和(rx,ry)和當前生長點(x,y)相加得修復點(x,y)，以(x,y)為新生長點返回步驟2）（圖4）。

注：深色背景為已判定為主根的像素點，淺色背景為已判定為側根的像素點，下同。

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

2.3 徑向生長修復算法流程

徑向生長修復算法流程如圖5所示。首先，通過YOLO-V3網絡對輸入根系圖像進行根尖識別，獲取玉米根系的根尖區域；其次，對根尖區域內進行根系斷點判定，獲取初始生長點0，將0點絕對坐標與相對坐標輸入算法進行迭代；當遇到根系分叉點P時，自動去除無效的根系分叉點并計算最優分叉點，將P1點代入算法繼續迭代；當遇到根系斷點P1時，搜尋端點領域內存在的其他根系斷點并用3次樣條差值修復主根，將修復點代入算法繼續迭代，如果未搜尋到其他根系斷點則終止算法，輸出根系表型信息。

2.4 根系表型參數評價模型

根據本研究所提算法對根系圖像進行處理獲取表型參數，建立表型參數評價模型來計算預測參數和實際參數的量化差異，以此評價表型參數測量精度，表型參數評價模型如式（2）所示：

3 結果與分析

3.1 基于徑向生長修復算法的玉米根系圖像修復

通過YOLO-V3網絡識別根系的主體位置并裁切圖像（圖6a）；利用YOLO-V3網絡識別主根根尖的位置，確定主根提取起始點（圖6b）；利用自適應對比度增強算法對圖像進行信息增強（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處理過程中出現的各類噪聲（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學信息，由徑向生長修復算法對根系骨架進行處理，有效分離主根和側根，并在根系的斷點處進行自適應修復（圖6f）?；诮徤L的區域生長算法提取結果的對比如圖6g。

3.2 玉米根系表型參數提取

選取本研究種植的玉米主根共145根，分別采集其主根長、主根直徑和側根數量，3種脅迫環境根系表型參數下的實測值、區域生長算法和徑向生長修復算法測量值及其精度對比結果如表1所示。

在干旱環境下，采用區域生長算法時，由于斷根側根的干擾，主根長、主根直徑測量結果精度較低，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%；徑向生長修復算法與區域生長算法相比，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個百分點，抗旱植株（MB1）提高16.4和15.2個百分點。

在洪澇環境下，采用區域生長算法時，普通植株（MA2）分別為84.3%和94.0%，抗澇植株（MC2）分別為92.7%和85.2%；采用本研究徑向生長修復算法，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%，抗澇植株（MC2）分別為97.1%和91.4%；徑向生長修復算法與區域生長算法相比，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個百分點，抗澇植株（MC2）提高4.4和6.2個百分點。

在鹽腌環境下，采用區域生長算法時，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%；徑向生長修復算法與區域生長算法相比，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個百分點，抗鹽植株（MD3）提高12.1和10.4個百分點。

由此可見，在干旱環境和鹽腌環境下，徑向生長修復算法比區域生長算法提取表型參數的精度提升較為明顯，而澇漬環境下的提升較為有限。區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%，徑向生長修復算法與區域生長算法相比，在主根長、主根直徑測量的精度上提高13.8和10.4個百分點。結果表明，徑向生長修復算法在玉米根系表型參數的提取精度更高，方法具有有效性。

表1 玉米根系表型參數的實測值、區域生長算法和徑向生長修復算法提取結果對比

4 結 論

針對玉米根系圖像中的斷根易導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算法，通過YOLO-V3檢測模型定位根系和主根的區域，并通過斷點判定算法提取根尖，以根尖為初始生長點，通過徑向生長修復算法進行主根圖像修復并提取主根和側根表型信息。結果表明：

1）區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%，徑向生長修復算法與區域生長算法相比，在主根長、主根直徑測量的精度上分別提高13.8和10.4個百分點，徑向生長修復算法在玉米根系表型參數的提取精度更高，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、抗澇和抗鹽的玉米品種進行早期根系表型信息提取。結果表明，在干旱環境和鹽腌環境下，徑向生長修復算法比區域生長算法的提取精度提升較為明顯，干旱環境下，普通植株（MA1）的主根長、主根直徑提取精度提高15.2和15.1個百分點，抗旱植株（MB1）提高16.4和15.2個百分點；鹽腌環境下，普通植株（MA3）提高7.4和3.9個百分點，抗鹽植株（MD3）提高12.1和10.4個百分點；而澇漬環境下的提升較為有限，洪澇環境下，普通植株（MA2）的主根長、主根直徑提取精度提高15.0和2.4個百分點，抗澇植株（MC2）提高4.4和6.2個百分點。研究結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]. 中國農業科學，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發育及其對干旱脅迫的響應[J]. 生態學報，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，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ABA含量的影響[J]. 中國農業大學學報，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.利用徑向生長修復算法檢測玉米根系表型 [J]. 農業工程學報，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

國家自然科學基金項目（32071896，31960487）；江蘇省自然科學基金面上項目（BK20181315）；江蘇省農業科技自主創新項目（CX(20)3068）；國際合作能力提增計劃項目（2021-PY-11）；蘇州市科技創新項目（SNG2020039）

盧偉，博士，副教授，研究方向為智能機器人與無損檢測技術。Email：njaurobot@njau.edu.cn

10.11975/j.issn.1002-6819.2021.18.023

S513

A

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