南湖新闻网讯（通讯员 杨万能）近日，我校作物表型团队在Artificial Intelligence in Agriculture上在线发表了题为《EU-GAN: A root inpainting network for improving 2D soil-cultivated root phenotyping》的研究论文。团队开发出一种基于GAN的2D根系图像修复模型，显著提高了根系表型分析精度。

根盒法作为一种低成本、非侵入式的根系表型测量方法，深受研究人员青睐，是获取高通量土培根系表型的常用方法。但由于部分根系隐藏在土里，无法采集完整的根系，使得根系表型数据产生偏差，影响根系表型的计算准确性，根系修复数据集的标注同根系分割数据集一样难以标注。目前的修复方法使用了大量非真实的根系图像（算法生成的根系+算法生成的缺失）作为数据集，并通过裁图对局部根系修复。这种方法对长距离缺失根系和边缘的缺失根系修复能力有限。

团队开发了一个完全开源的混合根系修复数据集（hybrid root inpainting dataset, HRID），在标注大量土培根系图像的基础上，使用水培根盒根系加算法生成缺失的方法，制作了大量真实根系的根系修复数据集。数据集共包含8922个根系图像，其中土培根系1206张、水培根系7716张。在此基础上，团队基于GAN框架开发了EU-GAN网络。通过在生成器中添加边缘注意力模块EAM、优化损失函数和添加后处理方法，将棉花根系修复率从17.35%提升至35.75%，根系主要表型参数提取误差降低了48.64%-88.28%。

图1 技术路线图

图2 EU-GAN网络结构图

图3 EU-GAN修复效果比较

图4 EU-GAN在不同种类作物根系图像上的泛化性测试

华中农业大学作物表型团队已毕业硕士生谢尚源和已毕业博士生施家伟为论文共同第一作者，杨万能教授和广西大学李保奇副教授为共同通讯作者。本研究获得国家重点研发计划、国家自然科学基金、湖北省农业核心攻关项目和中央高校基本科研业务费项目的支持。

论文链接：https://doi.org/10.1016/j.aiia.2025.06.004

审核人：杨万能