基于生成對抗網(wǎng)絡( GAN )的根系圖像修復模型EU-GAN提升修復效果研究

瀏覽次數(shù)：342　發(fā)布日期：2025-10-10　來源：本站　僅供參考，謝絕轉(zhuǎn)載，否則責任自負

分享華中農(nóng)業(yè)大學“青年長江”團隊碩士生第一作者在頂級期刊《 Artificial Intelligence in Agriculture 》（IF=12.7) 發(fā)表的一篇題為《 EU-GAN : A root inpainting network for improving 2D soil-cultivated root phenotyping》的研究論文。團隊已畢業(yè)碩士生謝尚源和已畢業(yè)博士生施家偉為論文共同第一作者，楊萬能教授和廣西大學李保奇副教授為共同通訊作者。

根盒法因其成本低、非破壞性等優(yōu)點，成為獲取土培條件下高通量根系表型數(shù)據(jù)的常用手段，廣受研究者青睞。然而，由于部分根系深藏于土壤中無法被完整采集，導致所獲表型數(shù)據(jù)存在偏差，影響根系形態(tài)參數(shù)計算的準確性。同時，根系修復任務的標注與根系分割一樣，面臨標注困難、成本高的挑戰(zhàn)。現(xiàn)有修復方法多依賴算法生成的虛擬根系圖像（包括人工構(gòu)造的根系結(jié)構(gòu)和模擬的缺失區(qū)域），并通過局部裁剪方式進行訓練，難以有效應對長距離缺失或根系邊緣區(qū)域的修復問題，泛化能力有限。

針對上述問題，研究團隊構(gòu)建了一個完全開源的混合根系修復數(shù)據(jù)集（Hybrid Root Inpainting Dataset, HRID）。該數(shù)據(jù)集在大量真實土培根系圖像標注的基礎上，創(chuàng)新性地結(jié)合水培根盒獲取的完整根系圖像與算法模擬的缺失模式，生成兼具真實性和多樣性的修復樣本。HRID共包含8922張根系圖像，其中土培根系1206張，水培根系7716張。基于此數(shù)據(jù)集，團隊進一步提出了一種基于生成對抗網(wǎng)絡（ GAN ）的EU-GAN模型。通過在生成器中引入邊緣注意力模塊（Edge Attention Module, EAM）、優(yōu)化損失函數(shù)設計并結(jié)合后處理策略，顯著提升了根系修復效果。實驗表明，該方法將棉花根系的修復率從17.35%提高至35.75%，關(guān)鍵表型參數(shù)（如根長、分枝數(shù)等）提取誤差降低了48.64%至88.28%，顯著提升了根系表型分析的精度與可靠性。