Koreni su neophodni za rast biljaka, ali tradicionalne metode proučavanja korena zahtevaju velike resurse i štete. Sa napretkom u tehnikama obrade slike, pojavile su se inovativne metode za in situ studije korena, koje obezbeđuju nedestruktivno snimanje korena.
Međutim, zasjenjenje tla na slikama je trenutni izazov, koji dovodi do fragmentiranog korijenskog sistema i gubitka strukturalnog integriteta. I ova fragmentacija ometa tačnu procenu fenotipova korena. Iako pristupi dubokog učenja kao što su SegRoot i ChronoRoot imaju poboljšano prepoznavanje korenskih slika, problemi kao što su lomljenje korena i pokrivenost tla i dalje ostaju.
Napredak u restauraciji slike, posebno in situ identifikaciji korena, je ključan za tačnu procenu fenotipa korena. Tehnike kao što su tehnike kao što su generativne adversarijske mreže (GAN) pokazuju potencijal u ovom delu, ali i dalje zahtevaju usavršavanje.
U julu 2023, Plant Phenomics je objavio istraživački članak pod naslovom „Primena poboljšanog UNet-a i EnlightenGAN-a za segmentaciju i rekonstrukciju korena in situ“. U ovoj studiji, istraživači su predložili korišćenje EnlightenGAN-a za rekonstrukciju korena manipulisanjem intenzitetom svetlosti u ciljanim oblastima.
Tim je prethodno razvio RhizoPot platformu, koja može nedestruktivno prikupiti kompletne root slike. Rane faze su pokazale tačnu segmentaciju korena sa DeelabV3+. Međutim, bilo je netačnosti u analizi prečnika korena i površine. Kontinuirano istraživanje je poboljšalo tačnost in situ segmentacije korena, ali mali komadi prekriveni zemljom i dalje ostaju neidentifikovani.
Upoređujući modele dubokog učenja UNet, SegNet i DeelabV3+ na originalnom osnovnom skupu podataka, studija je otkrila da DeelabV3+ (Ksception) ima najbolje ukupne performanse. Međutim, svaki model je imao svoje prednosti i slabosti u identifikaciji korena. Eksperimenti ablacije sa različitim poboljšanjima na UNet-u pokazali su povećane performanse iu mIOU iu F1 rezultatu, što sugeriše da su ove modifikacije uspešno rešile ograničenja modela.
Prenos učenja sa poboljšanim UNet-om na rekonstruisanom osnovnom skupu podataka pokazuje dobru svestranost i robusnost. EnlightenGAN je korišćen za generisanje korena, pri čemu je svaka iteracija progresivno poboljšavala rekonstrukciju korena. Fenotipski parametri su analizirani korišćenjem softvera RhizoVision Ekplorer, koji je otkrio značajnu korelaciju sa stvarnim vrednostima. Međutim, rekonstruisani koreni su rezultirali promenama dužine i površine korena.
Studija je sprovela temeljno poređenje modela, naglašavajući mogućnosti DeelabV3+, ali je takođe primetila ograničenja modela u prepoznavanju glavnih korena. Unapređeni UNet je izabran za root segmentaciju zbog svoje skalabilnosti i potencijala za buduća poboljšanja. Konačno, studija je predložila različite kombinacije UNet-a i EnlightenGAN-a za različite svrhe, u rasponu od tačne segmentacije do proširenja skupa podataka i obuke bez nadzora.
Sve u svemu, studija pokazuje značajan napredak u tehnologiji rekonstrukcije korena, nudeći novi pristup analizi fenotipizacije korena.
