當(dāng)前位置 > 首頁(yè) > 技術(shù)文章 > 基于生成對(duì)抗網(wǎng)絡(luò)( GAN )的根系圖像修復(fù)模型EU-GAN提升修復(fù)效果研究

選型 | 市場(chǎng) | 應(yīng)用 | 使用 | 法規(guī) | 技術(shù) | 其他

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

瀏覽次數(shù)：679　發(fā)布日期：2025-10-10　來(lái)源：本站　僅供參考，謝絕轉(zhuǎn)載，否則責(zé)任自負(fù)

分享華中農(nóng)業(yè)大學(xué)“青年長(zhǎng)江”團(tuán)隊(duì)碩士生第一作者在頂級(jí)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(tuán)隊(duì)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(wàn)能教授和廣西大學(xué)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(diǎn)，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(wú)法被完整采集，導(dǎo)致所獲表型數(shù)據(jù)存在偏差，影響根系形態(tài)參數(shù)計(jì)算的準(zhǔn)確性。同時(shí)，根系修復(fù)任務(wù)的標(biāo)注與根系分割一樣，面臨標(biāo)注困難、成本高的挑戰(zhàn)�，F(xiàn)有修復(fù)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(guò)局部裁剪方式進(jìn)行訓(xùn)練，難以有效應(yīng)對(duì)長(zhǎng)距離缺失或根系邊緣區(qū)域的修復(fù)問(wèn)題，泛化能力有限。

針對(duì)上述問(wèn)題，研究團(tuán)隊(duì)構(gòu)建了一個(gè)完全開(kāi)源的混合根系修復(fù)數(shù)據(jù)集（Hybrid Root Inpainting Dataset, HRID）。該數(shù)據(jù)集在大量真實(shí)土培根系圖像標(biāo)注的基礎(chǔ)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(shí)性和多樣性的修復(fù)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�；诖藬�(shù)據(jù)集，團(tuán)隊(duì)進(jìn)一步提出了一種基于生成對(duì)抗網(wǎng)絡(luò)（ GAN ）的EU-GAN模型。通過(guò)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(shè)計(jì)并結(jié)合后處理策略，顯著提升了根系修復(fù)效果。實(shí)驗(yàn)表明，該方法將棉花根系的修復(fù)率從17.35%提高至35.75%，關(guān)鍵表型參數(shù)（如根長(zhǎng)、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。