Les racines sont essentielles à la croissance des plantes, mais les méthodes traditionnelles d’étude des racines sont gourmandes en ressources et dommageables. Avec les progrès des techniques de traitement d’images, des méthodes innovantes d’étude des racines in situ ont vu le jour, fournissant une imagerie non destructive des racines.
Cependant, l’ombrage du sol sur les images constitue le défi actuel, ce qui entraîne une fragmentation des systèmes racinaires et une perte de l’intégrité structurelle. Et cette fragmentation entrave l’évaluation précise des phénotypes racinaires. Bien que les approches d’apprentissage profond telles que SegRoot et ChronoRoot aient amélioré la reconnaissance des images des racines, des problèmes tels que la casse des racines et la couverture du sol subsistent.
Les progrès dans la restauration d’images, en particulier l’identification des racines in situ, sont cruciaux pour une évaluation précise du phénotype des racines. Des techniques telles que des techniques telles que les réseaux contradictoires génératifs (GAN) montrent du potentiel dans cette partie, mais nécessitent encore un raffinement.
En juillet 2023, Phénomique des plantes a publié un article de recherche intitulé « Application d’UNet et d’EnlightenGAN améliorés pour la segmentation et la reconstruction des racines in situ » Dans cette étude, les chercheurs ont proposé d’utiliser EnlightenGAN pour la reconstruction des racines en manipulant l’intensité lumineuse dans les zones ciblées.
L’équipe a précédemment développé la plateforme RhizoPot, capable de collecter de manière non destructive les images racine complètes. Les premières étapes ont montré une segmentation précise des racines avec DeeplabV3+. Cependant, des imprécisions ont été constatées dans l’analyse du diamètre et de la surface des racines. Des recherches continues ont amélioré la précision de la segmentation des racines in situ, mais les petits morceaux recouverts de terre restent encore non identifiés.
En comparant les modèles d’apprentissage profond UNet, SegNet et DeeplabV3+ sur un ensemble de données racine d’origine, l’étude a révélé que DeeplabV3+ (Xception) présentait les meilleures performances globales. Cependant, chaque modèle avait ses forces et ses faiblesses en matière d’identification des racines. Les expériences d’ablation avec diverses améliorations sur UNet ont montré des performances accrues dans les scores mIOU et F1, ce qui suggère que ces modifications ont réussi à résoudre les limites des modèles.
L’apprentissage par transfert avec UNet amélioré sur l’ensemble de données racine reconstruit démontre une bonne polyvalence et robustesse. EnlightenGAN a été utilisé pour la génération de racines, chaque itération améliorant progressivement la reconstruction des racines. Les paramètres phénotypiques ont été analysés à l’aide du logiciel RhizoVision Explorer, qui a révélé une corrélation significative avec les valeurs réelles. Cependant, les racines reconstruites ont entraîné des modifications de la longueur et de la surface des racines.
L’étude a mené une comparaison approfondie des modèles, mettant en évidence les capacités de DeeplabV3+, mais a également noté les limites du modèle dans la reconnaissance des racines principales. L’UNet amélioré a été sélectionné pour la segmentation racine en raison de son évolutivité et de son potentiel d’améliorations futures. Enfin, l’étude a proposé diverses combinaisons d’UNet et d’EnlightenGAN à des fins différentes, allant de la segmentation précise à l’expansion des ensembles de données et à la formation non supervisée.
Dans l’ensemble, l’étude démontre une avancée significative dans la technologie de reconstruction des racines, offrant une nouvelle approche de l’analyse du phénotypage des racines.
Plus d’information:
Qiushi Yu et al, Application d’UNet et d’EnglightenGAN améliorés pour la segmentation et la reconstruction des racines in situ, Phénomique des plantes (2023). DOI : 10.34133/plantphenomics.0066