Le système racinaire est crucial pour que les plantes absorbent l’eau et les nutriments, la recherche sur les racines in situ fournissant des informations sur les phénotypes et la dynamique des racines. Bien que les méthodes de segmentation des racines basées sur l’apprentissage profond aient fait progresser l’analyse des systèmes racinaires, elles nécessitent de nombreux ensembles de données étiquetés manuellement, dont la production demande beaucoup de travail et de temps. Les méthodes actuelles d’observation des racines in situ varient dans leur efficacité.
De plus, les méthodes traditionnelles de reconnaissance d’images racine sont confrontées à des défis tels que la subjectivité et la faible efficacité, tandis que les approches d’apprentissage profond offrent une précision améliorée mais sont entravées par la nécessité de disposer de grands ensembles de données annotées. S’attaquer aux limitations des ensembles de données grâce à des méthodes innovantes telles que CycleGAN pour la génération d’ensembles de données présente une solution potentielle, mais des défis demeurent pour garantir la diversité et l’exactitude des images générées pour une formation et une analyse efficaces dans les études de segmentation des racines.
Phénomique des plantes recherche publiée intitulée « Stratégie d’expansion de l’ensemble de données racine in situ basée sur un générateur CycleGAN amélioré« .
Cette recherche présente une nouvelle méthode pour augmenter les ensembles de données racine in situ grâce à un générateur CycleGAN amélioré couplé à une méthode basée sur les coordonnées spatiales pour la séparation de l’arrière-plan cible, relevant le défi de la variation des pixels d’arrière-plan. En tirant parti de cette approche, l’étude démontre des améliorations significatives en termes de vitesse, de précision et de stabilité par rapport aux méthodes traditionnelles de segmentation par seuil.
La méthode facilite également l’inclusion de divers milieux de culture dans les images racines, augmentant ainsi la polyvalence des ensembles de données. Les résultats expérimentaux, utilisant une plate-forme RTX 3060 12 Go + 16 Go pour la formation, montrent que l’application d’un réseau Improvementd_UNet à l’ensemble de données augmenté produit une amélioration modeste mais notable de l’intersection moyenne sur union (mIOU), du score F1 et de la précision, indiquant l’efficacité de la méthode pour améliorer la qualité et la généralisation des ensembles de données sur différentes architectures de système racine.
Plus précisément, l’ensemble de données amélioré a contribué à une augmentation de 0,63 % du mIOU, de 0,41 % du score F1 et de 0,04 % de la précision, les performances de généralisation connaissant des augmentations encore plus significatives. La méthode de recherche impliquait une formation CycleGAN détaillée avec des paramètres spécifiques et une validation ultérieure par le biais d’évaluations comparatives et subjectives, y compris la saisie de diverses structures de générateur et techniques de post-traitement.
En conclusion, les résultats soulignent le potentiel de la stratégie d’augmentation de l’ensemble de données proposée pour améliorer l’analyse des systèmes racinaires, les travaux futurs visant à réaliser des simulations plus réalistes grâce à un ombrage avancé et à la variabilité du type de sol. Cette stratégie d’expansion, validée par les performances du réseau Improvementd_UNet sur l’ensemble de données augmenté, marque une avancée prometteuse dans l’analyse du système racine, offrant une solution évolutive aux limitations des ensembles de données d’images racine existants.
Plus d’information:
Qiushi Yu et al, Stratégie d’expansion de l’ensemble de données racine in situ basée sur un générateur CycleGAN amélioré, Phénomique des plantes (2024). DOI : 10.34133/plantphenomics.0148