根系统结构(RSA)性状在育种选择中具有重要意义，但这些性状的测定难度大，资源密集，变异性大。计算机视觉和机器学习（ML）的性状提取和测量技术的出现，重新引起了人们对利用RSA性状进行遗传增强以开发更健壮和有弹性的农作物品种的兴趣。本文作者开发了一个可移动、低成本、高分辨率的根表型系统，该系统由一个具有计算机视觉的成像平台和基于机器学习的分割方法组成，通过基于图像的性状处理和分析获得大量的根样本，从而建立一个无缝的端到端管道。


该高通量表型系统具有处理数百到数千个植物的能力，它集成了时间序列图像捕获和自动图像处理(利用光学字符识别(OCR)通过条形码来识别幼苗)，然后在特征提取之前集成卷积自动编码器(CAE)方法进行鲁棒分割。该管道包括一个更新和定制版本的自动根成像分析(ARIA)根表型软件。利用该系统，我们研究了来自广泛地理分布的不同大豆资源，并报告了包括根形、长度、数量、质量和角度等RSA性状的遗传变异。


侧根角的确定方法有三种，分别是侧根分枝角(LBA)、侧根全缘角(LRA)和侧根尖角(RTA)。

该系统提供了一种高通量、低成本、无损的方法，为表型组学、基因组学和植物育种应用提供了生物学相关的根生长和发育的时间序列数据。该表型平台旨在在一个共同的环境中对根系性状进行量化，并对基因型进行排序，从而为植物育种提供选择工具。根系表型平台和基于图像的表型是反映当前育种工作中对芽表型的关注至关重要。

来源：Plant Methods.Computer vision and machine learning enabled soybean root phenotyping pipeline.Kevin G. Falk, Talukder Z. Jubery, Seyed V. Mirnezami, Kyle A. Parmley, Soumik Sarkar, Arti Singh, Baskar Ganapathysubramanian & Asheesh K. Singh.