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

瀏覽次數：343　發布日期：2025-10-10　來源：本站　僅供參考，謝絕轉載，否則責任自負

分享華中農業大學“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。團隊已畢業碩士生謝尚源和已畢業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、非破壞性等優點，成為獲取土培條件下高通量根系表型數據的常用手段，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，導致所獲表型數據存在偏差，影響根系形態參數計算的準確性。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。現有修復方法多依賴算法生成的虛擬根系圖像（包括人工構造的根系結構和模擬的缺失區域），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域的修復問題，泛化能力有限。

針對上述問題，研究團隊構建了一個完全開源的混合根系修復數據集（Hybrid Root Inpainting Dataset, HRID）。該數據集在大量真實土培根系圖像標注的基礎上，創新性地結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。基于此數據集，團隊進一步提出了一種基于生成對抗網絡（ 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）、優化損失函數設計并結合后處理策略，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%，關鍵表型參數（如根長、分枝數等）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。