[论文解读] PRMI: A Dataset of Minirhizotron Images for Diverse Plant Root Study

Weihuang Xu, Guohao Yu+11 more|arXiv (Cornell University)|Jan 20, 2022

Plant nutrient uptake and metabolism被引用 7

一句话总结

本论文提出了PRMI，一个大规模的微型根管图像数据集，包含六种植株（棉花、木瓜、花生、芝麻、向日葵和互花米草）的72,000张彩色RGB图像，兼具图像级和像素级标注。该数据集支持监督学习与弱监督学习的深度学习方法用于根系分割，U-Net模型在所有物种上的平均交并比（IoU）为35%，凸显了在多样化的土壤与根系条件下进行根系分割的挑战。

ABSTRACT

Understanding a plant's root system architecture (RSA) is crucial for a variety of plant science problem domains including sustainability and climate adaptation. Minirhizotron (MR) technology is a widely-used approach for phenotyping RSA non-destructively by capturing root imagery over time. Precisely segmenting roots from the soil in MR imagery is a critical step in studying RSA features. In this paper, we introduce a large-scale dataset of plant root images captured by MR technology. In total, there are over 72K RGB root images across six different species including cotton, papaya, peanut, sesame, sunflower, and switchgrass in the dataset. The images span a variety of conditions including varied root age, root structures, soil types, and depths under the soil surface. All of the images have been annotated with weak image-level labels indicating whether each image contains roots or not. The image-level labels can be used to support weakly supervised learning in plant root segmentation tasks. In addition, 63K images have been manually annotated to generate pixel-level binary masks indicating whether each pixel corresponds to root or not. These pixel-level binary masks can be used as ground truth for supervised learning in semantic segmentation tasks. By introducing this dataset, we aim to facilitate the automatic segmentation of roots and the research of RSA with deep learning and other image analysis algorithms.

研究动机与目标

• 为解决因手动标注微型根管图像耗时过长而造成的植物根系表型分析瓶颈。
• 通过提供一个大规模、多样化的数据集，同时具备图像级与像素级标注，支持使用深度学习进行自动化根系分割算法的开发。
• 通过提供涵盖多种物种、土壤类型、根系年龄与深度的数据集，促进迁移学习、少样本学习及数据分布偏移的研究。
• 通过引入一个公开可用、高质量的数据集，弥合计算机视觉与植物科学之间的差距，用于根系构型（RSA）分析。
• 在真实、复杂的田间条件下实现分割模型的基准测试，涵盖严重的类别不平衡与根系可见度差异。

提出的方法

• 该数据集源自多个田间站点收集的微型根管图像，透明管以45°角安装，用于随时间捕捉根系生长。
• 每张图像均被赋予图像级标签，以指示根系是否存在，支持弱监督学习。
• 超过63,000张图像经过人工标注，生成像素级二值掩码，以区分根系与土壤像素，从而支持监督语义分割。
• 采用两种标注策略：基于超像素的追踪与U-Net预测结果的优化，以提高效率与准确性。
• 基于微型根管管进行数据划分，以防止数据泄露，每种植株的训练集占60%，验证集占20%，测试集占20%（互花米草除外，其所有真实标注图像均保留用于测试）。
• 在训练集上训练基线模型（包括U-Net与IRNet），并使用交并比（IoU）与F1分数作为指标，在测试集上进行评估。

实验结果

研究问题

• RQ1 在多样化的土壤与根系条件下，深度学习模型在复杂微型根管图像中分割根系的效率如何？
• RQ2 根系与土壤像素之间的类别不平衡在真实微型根管数据中在多大程度上影响分割性能？
• RQ3 当根系稀疏且在视觉上与土壤难以区分时，基于类激活图（CAM）的弱监督模型表现如何？
• RQ4 能否有效利用该数据集在不同植物物种与土壤类型之间应用迁移学习？
• RQ5 在根系形态与可见度差异较大的物种之间（如棉花与互花米草），模型性能如何变化？

主要发现

• U-Net模型在所有物种上的平均交并比（IoU）为35%，表明该数据集在分割任务中具有较高难度。
• 木瓜表现最佳，IoU达56.0%，F1分数达0.718，表明其根系可见性更一致，分割更简单。
• 棉花与向日葵的IoU得分最低（分别为4.8%与29.7%），反映出根系稀疏及分割难度高。
• IRNet模型（一种基于CAM的弱监督方法）的平均IoU仅为2.2%，凸显了在根系稀少或被遮挡时聚焦关键特征的挑战。
• 该数据集存在显著的类别不平衡，土壤像素远多于根系像素，导致模型倾向于预测为土壤。
• 同时包含图像级与像素级标注，使得可在同一数据集上训练与评估弱监督与全监督分割模型。