賈慶宇 謝艷兵 趙一俊 王榮 劉晶淼 溫日紅

（1.中國氣象局沈陽大氣環(huán)境研究所，遼寧 沈陽110166；2.盤錦市氣象服務(wù)中心，遼寧 盤錦123010；3.北京力科惠澤科技有限公司，北京100010；4.中國氣象科學(xué)研究院，北京100081）

引言

農(nóng)作物的根系決定了水分和營養(yǎng)物質(zhì)的吸收、運(yùn)輸，是地上與地下各部分物質(zhì)及信息交換的系統(tǒng)［1］，根系的生長狀況決定了作物的長勢、品質(zhì)和產(chǎn)量形成［2］，隨著根系研究的不斷深入和研究手段的不斷改進(jìn)，人們對作物根系形態(tài)、生理生態(tài)效應(yīng)等方面有了深入的認(rèn)識［3］。作物根系作為受土壤水分變化影響的指標(biāo)，對作物關(guān)鍵生育期有重要影響［4］。根系吸水能力的強(qiáng)弱對作物產(chǎn)生的影響也能改變下墊面氣候特征，改變地表、土壤水循環(huán)系統(tǒng)［5］。根系吸水能力和根系區(qū)含水量影響了地表蒸發(fā)和植物蒸騰［6］。研究根系有助于構(gòu)建考慮植被根系動態(tài)分布及水力再分配的陸面過程模型，將根系吸水再分配方案應(yīng)用于通用陸面過程模式，進(jìn)行數(shù)值模擬試驗(yàn)，可以進(jìn)一步改進(jìn)陸地碳水通量的結(jié)果［7-9］。因此，近幾十年來，在研究土壤—植被—大氣連續(xù)系統(tǒng)中，根系的觀測研究受到重視，成為熱點(diǎn)之一［10］。

觀測作物根系的結(jié)構(gòu)分布和動態(tài)生長規(guī)律難度較大，一百多年來，人們所使用的挖掘法和根鉆法都對作物根系具有或多或少的破壞性，如何尋找和使用實(shí)用性強(qiáng)、便于操作的根系觀測方法在實(shí)際應(yīng)用中尤其重要［11-12］，建立這樣的觀測技術(shù)和方法仍然是當(dāng)前根系研究中的一大難題。采用的微根窗根系成像/顯微可視化技術(shù)［13］進(jìn)行作物根系觀測和識別研究，推動了根系成像技術(shù)的進(jìn)步，但根系成像參數(shù)自動分析剛剛開始起步。W inRHIZO Tron MF是研究根系參數(shù)的手動識別軟件（https：//regentinstruments.com/assets/w inrhizotron_general_info.htm l），有研究用該軟件進(jìn)行了烤煙［14］、春玉米［15］等作物的形態(tài)學(xué)分析、根系參數(shù)的測量，該軟件對細(xì)根和根系分級需要人眼識別，前期人眼識別過程需要大量的時(shí)間，不能批量處理分析。MyRoot［16］半自動分析軟件能進(jìn)行瓊脂平板中生長的擬南芥幼苗的根長測量，但并不適用于土壤背景作物根系成像的自動分析。盡管根系分析工具較多，但是這些根系圖像解析技術(shù)仍停留在人眼識別，缺乏精確測量土壤背景作物根長和根直徑的能力，現(xiàn)有技術(shù)的缺陷限制了根系識別研究的進(jìn)一步發(fā)展，迫切需要快速、準(zhǔn)確的技術(shù)方法來替代人眼識別描根，提高科研人員的數(shù)據(jù)處理效率。

視覺領(lǐng)域進(jìn)行圖像識別的研究已經(jīng)有幾十年的發(fā)展，從簡單的OCR和指紋識別、到人臉檢測、逐漸深入到各個(gè)領(lǐng)域。隨著圖像識別語義分割［17］方法在諸如醫(yī)學(xué)影像、無人駕駛、機(jī)器人認(rèn)知與導(dǎo)航、安防監(jiān)控與無人機(jī)著陸系統(tǒng)等重要領(lǐng)域上取得巨大成功，機(jī)器學(xué)習(xí)在圖像識別領(lǐng)域展現(xiàn)了較大的應(yīng)用價(jià)值。本研究針對現(xiàn)有根系圖像解析技術(shù)的需求，基于圖像語義分割手段，開發(fā)了具有自主知識產(chǎn)權(quán)植物根系原位成像圖片自動識別的軟件，能夠自動、準(zhǔn)確分析大批量根系圖像，分析結(jié)果與人眼識別接近，能替代人眼識別根系軟件。

1 資料與方法

1.1 研究區(qū)概況

根系觀測試驗(yàn)在錦州玉米農(nóng)田野外科學(xué)試驗(yàn)站大型根系觀測場內(nèi)進(jìn)行（圖1a）。觀測場內(nèi)建有1 6個(gè)面積為2 m×3 m的試驗(yàn)小區(qū)［4］，為了防止小區(qū)之間相互滲水，采用水泥層進(jìn)行隔離，利用移動遮雨棚控制自然降水（圖1b），通過人工控水和補(bǔ)水的方式控制土壤水分。地下根系觀測系統(tǒng)（圖1c）安裝有12個(gè)鋼化玻璃觀測窗，每個(gè)玻璃觀測窗與相應(yīng)的種植小區(qū)土壤緊密相連。在每個(gè)玻璃觀測窗的垂直中線部位自上而下在40 cm、80 cm、120 cm、160 cm、200 cm土壤深度安裝5根內(nèi)徑為6.4 cm、外徑為7.2 cm、長為2.0 m的硬質(zhì)玻璃管（圖1d），每個(gè)玻璃管向上傾斜10°29′插入作物種植小區(qū)土壤中。

圖1 錦州農(nóng)田野外科學(xué)試驗(yàn)站地上觀測場（a）、可移動遮雨棚（b）、根系地下觀測室（c）和微根管（d）Fig.1 Observation field（a），mobile rain shelter（b），underground observation room for maize root（c）and m inirhizotron（d）in Jinzhou

1.2 圖片獲取與分析參數(shù)

采用自主研發(fā)的ROOTS-02［18］根系掃描儀獲取微根窗根系圖像，根系圖像的尺寸均為21.6 mm×19.6 mm，微根管內(nèi)每張圖像代表了土壤某一深度體積約為754 cm3土柱中生長的根系，即：

式（1）中，Vsoil為土柱體積；r為微根管外徑；L為根系掃描儀掃描圖長度。

采用自主研發(fā)iRoot-V02軟件和目前國際通用的W inRHIZO Tron MF根系分析軟件（Regent Instruments Canada Incorporation，Canada）進(jìn)行根長、直徑、投影面積和根尖數(shù)等參數(shù)的識別。采用錦州玉米農(nóng)田獲取大田玉米根系圖像和青藏高原混合草甸獲得自然植被根系圖像訓(xùn)練iRoot-V02軟件，使結(jié)果具有普遍適用性。對比了單張根系圖像（2016年6月22日，玉米）不同直徑分級的根長結(jié)果，并對比了隨機(jī)選擇的根系成像圖片的相關(guān)性。分析了不同生長階段（2016年6月22日至8月12日，玉米）根系成像圖片相同直徑根長變化。對比了相同位置300 dpi和600 dpi兩種分辨率的根系成像圖片（2017年7月20日，高原草甸植被）根系參數(shù)。采用M icrosoft Excel 2010對獲取根系的總根長、平均直徑、投影面積和根尖數(shù)等參數(shù)結(jié)果進(jìn)行對比分析。

1.3 研究方法

1.3.1 基本原理

iRoot-V02軟件基于語義分割（Semantic Segmentation）圖像識別技術(shù)，語義分割是圖像處理和機(jī)器視覺一個(gè)重要分支。語義分割網(wǎng)絡(luò)在特征融合時(shí)采用Channel維度拼接融合，網(wǎng)絡(luò)整體結(jié)構(gòu)類似于大寫的英文字母U，故得名U-net（圖2）［19］，U-Net整體的流程是編碼和解碼（encoder-decoder），基本原理是在訓(xùn)練的階段將輸入原圖分割成512×512的尺寸，人為加上噪聲，判斷圖像每個(gè)像素點(diǎn)的類別，進(jìn)行精確分割。然后放到這個(gè)編碼解碼器中，圖2的網(wǎng)絡(luò)中有四次融合過程，輸出為512×512的同樣尺寸，通過數(shù)據(jù)增強(qiáng)使得有限且寶貴的訓(xùn)練集利用的更加充分。

圖2 U-net框架Fig.2 U-net framework

1.3.2 核心算法

核心算法（1）：交叉熵?fù)p失+Softmax函數(shù)［20］，見式（2）。

式（2）中，ak（x）為輸出層中第x個(gè)輸入信號，分母為輸出層中所有輸入神經(jīng)元信號的指數(shù)和；ak′（x）為k層的某一個(gè)輸入信號。Pk（x）為第k層第x個(gè)神經(jīng)元輸出，一般指最后一層，其輸出的每一個(gè)值范圍為（0，1），代表神經(jīng)網(wǎng)絡(luò)輸出預(yù)測的概率分布，可以通過交叉熵來計(jì)算預(yù)測的概率分布與真實(shí)樣本的概率分布之間的距離。

核心算法（2）：帶權(quán)重懲罰，見式（3）。

式（3）中，Ω為樣本集合；l為每個(gè)像素點(diǎn)預(yù)先計(jì)算的真實(shí)樣本的權(quán)重；ω為用卷積核對圖像做卷積處理時(shí)，卷積核中不同位置的數(shù)值，代表的是處理像素時(shí)該像素及其鄰域像素對所得到的像素的影響大小，權(quán)重的絕對值越大，對應(yīng)位置的像素對最終得到的像素影響就越大。為了補(bǔ)償某一類別的不同像素點(diǎn)的頻次差異，用標(biāo)記根系樣例對ω權(quán)重圖進(jìn)行預(yù)先計(jì)算，讓機(jī)器學(xué)習(xí)區(qū)分更小的邊界。

核心算法（3）：權(quán)重，見式（4）。

式（4）中，ωc：Ω→R為用來平衡某一類頻率的權(quán)重圖，其中，Ω為樣本集合，R為特征集合，引入它來提高一些像素在訓(xùn)練中的重要性；d1：Ω→R表示某背景像素點(diǎn)離最近根系的邊界的距離；d2：Ω→R表示某背景像素點(diǎn)離第二近根系的邊界的距離，文中設(shè)置ω0=10，σ≈5個(gè)像素。即在根系邊界附近的像素點(diǎn)賦予權(quán)重大一些，離根系比較遠(yuǎn)的像素點(diǎn)的權(quán)重小一些，使訓(xùn)練之后分類分割更準(zhǔn)確。

1.3.3 根系提取步驟與流程

（1）機(jī)器學(xué)習(xí)，在訓(xùn)練過程中采用了大量的數(shù)據(jù)增強(qiáng)，最大程度去掉圖像顏色差異，亮度變化以及成像質(zhì)量上的干擾，同時(shí)在網(wǎng)絡(luò)的dropout層采用了較高的閾值0.5，較好的規(guī)避了模型過擬合的問題；（2）原始圖像按512×512像素切割分塊；（3）輸出概率分布圖，圖像上每個(gè)像素點(diǎn)取值為根系的概率。通過對概率圖進(jìn)行二值化，確定根系的二值化圖像；（4）獲取的根系參數(shù)包括總根長、不同直徑根長、投影面積、平均直徑、根尖數(shù)。對二值化圖像進(jìn)行距離變換，然后保留距離變換圖像上與根系骨架重合的點(diǎn)［21-22］，根系參數(shù)中根長使用基于脊線檢測的方法獲取根系的中心線，計(jì)算中心線上所有像素點(diǎn)的長度。這些點(diǎn)的值（像素長度），用來統(tǒng)計(jì)根系在不同位置截面的寬度（medial_axis變換），作為根系直徑和分級的標(biāo)志數(shù)據(jù)。識別的像素點(diǎn)面積即根系的投影面積。根據(jù)骨架圖尋找圖像分支的邊界點(diǎn)來計(jì)算根系的總根尖數(shù)；（5）分塊結(jié)果匯總以及過程中的二值化圖、根尖圖、骨架圖、分級圖輸出。

2 結(jié)果分析

2.1 單張?zhí)幚斫Y(jié)果對比

將2016年6月22日玉米地下0.8 m的根系成像圖片（原圖2550 pix×2310 pix），分割成25個(gè)512 pix×512 pix的圖，描根總根長為215.23 cm，自動識別根系長度為226.32 cm，是描根根長的105.5%，人眼識別處理時(shí)間為20 h，iRoot-V02軟件處理時(shí)間為26.6 s。圖3為1張分割圖片，軟件提取（圖3c）的根系骨架信息與人眼識別（圖3b）基本重合。描根根系粗細(xì)分級按每0.5mm為一個(gè)級別，該原圖分成5個(gè)級別（圖4a），0.0 mm＜L1≤0.5 mm、0.5 mm＜L2≤1.0 mm、1.0 mm＜L3≤1.5 mm、1.5 mm＜L4≤2.0 mm、2.0 mm＜L4≤2.5 mm，不同級別根長分別為63.02 cm、150.43 cm、1.77 cm和0.01 cm，L1和L2級別的根系最長。iRoot-V02軟件按0.5 mm分級，不同級別根長分別為10.71 cm、111.01 cm、98.05 cm、6.18 cm和0.36 cm，L2和L3級別的根系最長。iRoot-V02軟件采用0.1 mm對根系直徑進(jìn)行分級（圖4b），0.8—0.9 mm和0.9—1.0 mm級別的根長最長。

圖3 2016年6月22日春玉米根系成像圖（a）的人眼識別標(biāo)注（b）與軟件識別的灰度圖（c）Fig.3 Observed root system im age（a），and manualm arking image（b）as well as automatic identification image（c）for spring maize on June 22，2016

圖4 2016年6月22日春玉米根系單張成像圖片根系直徑手描分級（a）和軟件自動分級（b）Fig.4 Com parison of grading root diameter for single root image between hand draw ing（a）and software automatic recognition（b）for springmaize on June 22，2016

2.2 隨機(jī)圖片處理結(jié)果

隨機(jī)選擇32張根系成像圖片分別采用人眼識別和軟件自動識別方式計(jì)算總根長和活根長（圖5），采用iRoot-V 02軟件識別32張圖片用時(shí)16 min。進(jìn)行兩種識別方法的相關(guān)分析，圖5a所示兩種識別方法總根長的相關(guān)方程為y=1.067x-6.0443，R2=0.7632，圖5b所示兩種識別方法活根長的相關(guān)方程為y=0.9937x-5.0396，R2=0.7986，軟件識別活根根長結(jié)果更接近人眼識別的結(jié)果。

圖5 人眼識別根長與軟件識別總根長（a）和活根長（b）的相關(guān)性Fig.5 Correlations of total root length（a）and live root length（b）between human eye recognition and software recognition

2.3 不同生長階段根系變化

2016年6—8月是玉米根系生長的旺盛期，在玉米拔節(jié)期（7月1 4─1 7日）根系生長達(dá)到了峰值，其中根長達(dá)到了360 cm，投影面積為40 cm2，平均直徑為0.94 mm，此后根系的各個(gè)參數(shù)數(shù)值均明顯降低（圖6）。圖7為40 cm深度玉米根系長度按0.1mm分級每一級別的根長變化，顏色比例尺表示根系長度，縱坐標(biāo)表示根系直徑按每0.1 mm為1級，從0—2 mm共分成20級。6─8月15—20 mm直徑的根系和0—6 mm直徑的根系長度變化不大，根長最長為10mm，隨著根系直徑增加和減小，根系長度在逐漸減小。5—15 mm 直徑的根系最長，7月14—17日根系參數(shù)的變化主要是直徑5—15mm這個(gè)范圍的根系出現(xiàn)了明顯的增多，可達(dá)到28 cm以上。

圖6 2016年6—8月錦州農(nóng)田野外科學(xué)試驗(yàn)站40 cm深度玉米根系成像圖片根長（a）、投影面積（b）和平均直徑（c）參數(shù)變化Fig.6 The root length（a），projected area（b），and average diameter（c）ofmaize root images at a depth of 40 cm from June to August of 2016 at Jinzhou farm land field scientific experimental station

圖7 2016年6—8月錦州農(nóng)田野外科學(xué)試驗(yàn)站40 cm深度玉米根系直徑按0.1 mm分級的根長變化Fig.7 The variation ofmaize root length w ith the diameter of 0.1 mm as grade standard at a depth of 40 cm from June to August of 2016 at Jinzhou farm land field scientific experimental station

2.4 不同分辨率處理結(jié)果

在根系圖片拍攝中可設(shè)定根系掃描儀不同分辨率，一般認(rèn)為設(shè)定的分辨率越高獲得的根系成像圖片更清晰，但是分辨率高就會使掃描時(shí)間變長，如選擇300 dpi分辨率掃描一張圖片約20 s，而600 dpi分辨率掃描一張圖片約40 s，如果選擇更高分辨率進(jìn)行大批量的根系圖片拍攝會增加巨大的工作量，因此在實(shí)際觀測中選擇一個(gè)合適的分辨率非常重要。高分辨率總根長略高于低分辨率（圖8a），高分辨率根尖數(shù)接近低分辨率的2倍（圖8d），因?yàn)榉直媛矢叽_實(shí)可以使軟件分辨出更多的根系，但是軟件也會將高分辨率圖片中的土壤噪音和根系的微小凸起識別為根尖，軟件后期對高分辨率圖片加入平滑算法明顯降低了高分辨率圖片的根尖數(shù)。高分辨率拍攝的根系與土壤界限更清晰，因此投影面積（圖8b）和平均直徑（圖8c）的結(jié)果低分辨率均高于高分辨率。300 dpi和600 dpi兩種掃描分辨率結(jié)果呈明顯的相關(guān)關(guān)系，根長、投影面積、平均直徑、根尖數(shù)的相關(guān)系數(shù)分別為0.98、0.98、0.92和0.96，在進(jìn)行大量根系拍攝時(shí)可采用較低分辨率掃描，通過回歸獲得準(zhǔn)確的根系結(jié)果，提高工作效率。

圖8 不同分辨率掃描圖片的根長（a）、投影面積（b）、平均直徑（c）、根尖數(shù)（d）計(jì)算結(jié)果對比Fig.8 Calculation results of root length（a），projected area（b），average diameter（c），and root tip number（d）for scanned images at different resolutions

3 結(jié)論與討論

（1）iRoot-V02軟件獲得了與人眼識別基本一致的春玉米根系骨架信息和長度信息，能設(shè)置0.1 mm等級的根系直徑分級。人眼識別和軟件識別根長結(jié)果的決定系數(shù)R2＞0.76，活根長與人眼識別的決定系數(shù)大于總根長與人眼識別的決定系數(shù)，軟件識別與人眼識別的準(zhǔn)確程度與原始根系的成像圖片清晰度有較大關(guān)系。微根管外的水霧、劃痕會嚴(yán)重影響軟件的識別結(jié)果。通過該軟件能分辨根系生長過程，并且分辨出玉米在2016年6—8月主要是0.7—1.3 mm直徑的根長發(fā)生變化。高分辨率掃描圖片根長和根尖數(shù)大于低分辨率掃描圖片、高分辨率掃描圖片投影面積和平均直徑小于低分辨率掃描圖片，在實(shí)際觀測中可以選擇較低分辨率拍攝根系圖片，可以采用回歸方程獲得較準(zhǔn)確的結(jié)果。

（2）根長和根直徑的精度是根系研究的關(guān)鍵，W inRHIZO Tron MF手動描根微小的差異可導(dǎo)致識別結(jié)果難以解釋［23-24］，iRoot-V02軟件在機(jī)器學(xué)習(xí)后不需要對原始圖片進(jìn)行調(diào)整、不需要人為添加識別刻度，能夠自動適應(yīng)不同的成像條件和設(shè)置，精準(zhǔn)量化根系參數(shù)。對單張圖片、多張圖片、不同分辨率圖片人眼識別結(jié)果與軟件自動識別的根長、直徑等測量值進(jìn)行了比較，在單張和批處理模式下均保持了準(zhǔn)確性，速度比人眼識別更快，適合大批量植被原位圖像識別分析。當(dāng)iRoot-V02軟件用于分析其他植物物種或土壤時(shí)，可以通過機(jī)器學(xué)習(xí)提高精度。

（3）軟件后續(xù)可以通過增加算法，增加根系跟蹤和分支監(jiān)測等輸出結(jié)果，為根系表型研究提供更多的數(shù)據(jù)，今后將建立開放的根系圖像識別平臺，為多學(xué)科根系圖像分析提供技術(shù)支持。