基于電阻層析成像技術(shù)和ResNet的蘿卜根系表型無(wú)損檢測(cè)方法研究

肖淑媛，何 偉，盧 偉

(1 南京農(nóng)業(yè)大學(xué) 工學(xué)院, 江蘇 南京 210031； 2 南京農(nóng)業(yè)大學(xué) 人工智能學(xué)院, 江蘇 南京 210031)

蘿卜在全國(guó)各地均有種植，具有較高的產(chǎn)量和較強(qiáng)的適應(yīng)性，在我國(guó)是僅次于大白菜和馬鈴薯的第三大蔬菜，生長(zhǎng)周期短且一年四季均可種植[1]。蘿卜的可食用部位是其膨大的根系，由于根生長(zhǎng)在土壤中，而土壤的不透明性使蘿卜根原位觀測(cè)和直接測(cè)量的難度較大[2]。根的大小、形狀會(huì)因?yàn)槠贩N、生長(zhǎng)環(huán)境以及栽培條件的不同而存在很大差異[3]。因此，進(jìn)行蘿卜根系表型原位無(wú)損檢測(cè)研究對(duì)農(nóng)業(yè)育種以及基因組學(xué)的發(fā)展具有極為重要的科研價(jià)值和社會(huì)經(jīng)濟(jì)效益[4]。

根系表型的傳統(tǒng)檢測(cè)方法包括挖掘法、土鉆法和剖面法等，采樣費(fèi)時(shí)費(fèi)力，對(duì)植株造成嚴(yán)重破壞，且不可持續(xù)動(dòng)態(tài)觀測(cè)。因此，無(wú)損檢測(cè)成為研究者關(guān)注的重點(diǎn)。李燕麗等[5]將微根管法與圖像處理技術(shù)相結(jié)合，對(duì)根系進(jìn)行定點(diǎn)可持續(xù)觀測(cè)，獲取到了小麥根系生長(zhǎng)的相關(guān)參數(shù)。Zhao等[6]通過(guò)X射線(xiàn)計(jì)算機(jī)層析成像技術(shù)對(duì)玉米根系進(jìn)行原位檢測(cè)，建立了玉米根系三維幾何模型，具有較高精度，但其產(chǎn)生的輻射會(huì)在一定程度上影響植物根系的生長(zhǎng)。Pflugfelder等[7-8]采用核磁共振成像技術(shù)對(duì)大麥和小麥根系表型進(jìn)行分析，獲得較為清晰的影像，最小可檢測(cè)根直徑為400～500 μm，但核磁共振設(shè)備價(jià)格昂貴，不能得到廣泛應(yīng)用。為降低成本，徐匯等[9]基于探地雷達(dá)對(duì)果樹(shù)的根系進(jìn)行檢測(cè)，準(zhǔn)確地檢測(cè)出果樹(shù)根系的分布狀況，得到三維分布和不同深度的密度圖，但探測(cè)分辨率較低，分辨直徑小于2 mm的細(xì)根存在困難?？梢?jiàn)，現(xiàn)有的一些對(duì)植物根系進(jìn)行原位檢測(cè)的方法通常存在實(shí)驗(yàn)裝置價(jià)格高昂、涉及核素或強(qiáng)磁場(chǎng)、操作復(fù)雜等問(wèn)題。

電阻層析成像技術(shù)(Electrical resistance tomography，ERT)是電學(xué)成像技術(shù)的一個(gè)分支，同樣是一種非侵入式測(cè)量技術(shù)，它基于邊界電壓分布來(lái)重建敏感場(chǎng)域內(nèi)電導(dǎo)率，通過(guò)測(cè)量邊界電壓獲取投影數(shù)據(jù)，再通過(guò)圖像重建算法解算出敏感場(chǎng)域內(nèi)土壤與根系電導(dǎo)率分布狀態(tài)[10]。由于其具有非侵入、無(wú)輻射、高速和低成本等優(yōu)點(diǎn)，在工業(yè)與生物醫(yī)學(xué)等領(lǐng)域具有廣泛的應(yīng)有前景[11-12]。目前，ERT主要用于樹(shù)木斷層檢測(cè)[13-14]及土壤含水量的檢測(cè)[15-16]，運(yùn)用在作物根系表型方面的研究較少。Weigand等[17]基于多頻電阻抗斷層成像等技術(shù)提出一種作物根系特征監(jiān)測(cè)研究方法。Corona等[18]使用電阻抗層析成像技術(shù)對(duì)油菜根系進(jìn)行非侵入式研究，提出了一種低成本植物根系表型檢測(cè)方法，可用于生長(zhǎng)中油菜根系表型檢測(cè)。上述研究均說(shuō)明了電學(xué)層析成像技術(shù)在根系結(jié)構(gòu)研究中的可行性。但由于土壤根系敏感場(chǎng)內(nèi)部電導(dǎo)率分布不均勻，而且土壤與根系之間水分、無(wú)機(jī)離子之間的流動(dòng)對(duì)系統(tǒng)穩(wěn)定性存在影響，使得現(xiàn)有的圖像重建算法存在抗噪聲性能較差、計(jì)算量大、成像速度慢、重建圖像分辨率較低等問(wèn)題。近年來(lái)，隨著計(jì)算機(jī)技術(shù)的發(fā)展，神經(jīng)網(wǎng)絡(luò)算法發(fā)展迅猛，在實(shí)現(xiàn)圖像重建方面具有良好的應(yīng)用前景。敏感場(chǎng)電壓分布與作物根系之間存在明顯的非線(xiàn)性，而通過(guò)神經(jīng)網(wǎng)絡(luò)算法能夠建立黑箱模型實(shí)現(xiàn)輸入輸出的非線(xiàn)性擬合[19]。深度殘差神經(jīng)網(wǎng)絡(luò) (Deep residual network，ResNet)作為神經(jīng)網(wǎng)絡(luò)算法的一種，能夠加快網(wǎng)絡(luò)收斂速度，且隨著網(wǎng)絡(luò)層級(jí)的增加，并不會(huì)出現(xiàn)訓(xùn)練精度和測(cè)試精度下降的現(xiàn)象[20]，因此，本文采用ResNet算法進(jìn)行蘿卜根系表型的圖像重建。

本文擬對(duì)蘿卜橫截面直徑的ERT進(jìn)行正向仿真，求出邊界電壓，再結(jié)合ResNet進(jìn)行蘿卜根系橫截面直徑的反向建模，結(jié)合圖像處理進(jìn)一步獲得蘿卜三維分布情況，并進(jìn)行試驗(yàn)驗(yàn)證。本文所提方法可以對(duì)蘿卜生長(zhǎng)狀態(tài)進(jìn)行原位無(wú)損監(jiān)測(cè)，且設(shè)備簡(jiǎn)單、成本低，具有良好的應(yīng)用前景。

1 材料與方法

1.1 蘿卜電阻層析成像檢測(cè)原理

敏感場(chǎng)域內(nèi)不同研究對(duì)象具有不同的電導(dǎo)率，蘿卜ERT檢測(cè)的物理基礎(chǔ)是通過(guò)檢測(cè)瓊脂與蘿卜構(gòu)成的敏感場(chǎng)域中的電導(dǎo)率分布，利用重構(gòu)算法得到場(chǎng)域中蘿卜的分布情況。蘿卜ERT檢測(cè)通過(guò)給蘿卜-瓊脂多相流施加激勵(lì)來(lái)獲得敏感場(chǎng)的響應(yīng)電壓，利用采集系統(tǒng)測(cè)得敏感場(chǎng)的邊界電壓，反推出敏感場(chǎng)域內(nèi)瓊脂與蘿卜的電導(dǎo)率分布情況，進(jìn)而得到瓊脂中蘿卜的生長(zhǎng)狀況與位置信息。

ERT是根據(jù)敏感場(chǎng)域內(nèi)部電導(dǎo)率分布與敏感場(chǎng)域邊界電壓的對(duì)應(yīng)關(guān)系建立數(shù)學(xué)模型。假設(shè)ERT為恒定電流場(chǎng)模型，根據(jù)麥克斯韋方程以及似穩(wěn)場(chǎng)假設(shè)，ERT蘿卜-瓊脂場(chǎng)域可描述為：

蘿卜-瓊脂ERT工作方式滿(mǎn)足諾依曼(Neumann)邊界條件，則有：

1.2 蘿卜根系電阻層析成像正問(wèn)題

蘿卜根系ERT正問(wèn)題是已知蘿卜-瓊脂敏感場(chǎng)域內(nèi)部電導(dǎo)率分布情況，給敏感場(chǎng)域施加激勵(lì)信號(hào)，求解場(chǎng)域內(nèi)的電勢(shì)分布，從而獲得場(chǎng)域邊界電壓的過(guò)程[21]。有限元法是目前求解ERT正問(wèn)題常用的方法，不受待求解區(qū)域邊界形狀的限制。蘿卜-瓊脂場(chǎng)域ERT正問(wèn)題求解主要過(guò)程如下。

1)蘿卜-瓊脂場(chǎng)域剖分。將需要求解的蘿卜-瓊脂場(chǎng)域剖分為有限數(shù)目的單元，將邊值問(wèn)題轉(zhuǎn)化為變分問(wèn)題。其能量函數(shù)為：

2)線(xiàn)性插值。蘿卜-瓊脂場(chǎng)域?yàn)閳A形域，有限元?jiǎng)澐趾笥镁€(xiàn)性插值多項(xiàng)式作為插值函數(shù)，其插值函數(shù)為：

3)變分求解：

1.3 蘿卜根系電阻層析成像逆問(wèn)題

蘿卜根系ERT逆問(wèn)題的求解是根據(jù)正問(wèn)題求得蘿卜-瓊脂場(chǎng)域邊界電壓，結(jié)合圖像重建算法求得敏感場(chǎng)域內(nèi)部蘿卜的分布情況。利用ResNet求解蘿卜根系ERT逆問(wèn)題，實(shí)質(zhì)上是通過(guò)網(wǎng)絡(luò)模型建立蘿卜-瓊脂場(chǎng)域內(nèi)部電導(dǎo)率分布情況與場(chǎng)域邊界電壓之間的非線(xiàn)性映射關(guān)系[22]。

式中：Y為電導(dǎo)率分布序列；F為映射；X={x1,x2,···,xn}，表示邊界電壓序列，表示邊界電壓數(shù)量；表示邊界電流激勵(lì)條件；、分別表示神經(jīng)元之間連接的權(quán)重和偏置。

殘差網(wǎng)絡(luò)的基本構(gòu)建塊是殘差單元，殘差單元由卷積層(Conv)、批量處理歸一化層(BN)和非線(xiàn)性激活函數(shù)層(ReLU)堆疊而成。圖1a給出了1個(gè)殘差單元，殘差網(wǎng)絡(luò)框架如圖1b所示。殘差網(wǎng)絡(luò)先將給定輸入數(shù)據(jù)1次傳入卷積層、非線(xiàn)性激活函數(shù)層及批量處理歸一化層，將處理結(jié)果送入多個(gè)殘差單元，然后經(jīng)過(guò)批量處理歸一化層和多個(gè)全鏈接層(FC)，最后得到輸出結(jié)果。

圖1 殘差單元(a)和殘差網(wǎng)絡(luò)結(jié)構(gòu)(b)Fig. 1 Residual unit (a) and framework of residual network (b)

采用ResNet對(duì)基于ERT的蘿卜-瓊脂場(chǎng)域進(jìn)行逆問(wèn)題求解，ResNet結(jié)構(gòu)如圖2所示。本文ResNet架構(gòu)中采用了17個(gè)卷積層。網(wǎng)絡(luò)結(jié)構(gòu)由1個(gè)主要分支組成，其中主要包含：輸入層的初始部分，具有激活函數(shù)的第1卷積層；4個(gè)卷積塊，每個(gè)塊包含2個(gè)卷積單元，后面跟著1個(gè)附加層和激活函數(shù)；最后一部分包括二維全局平均池化層、全連接層和回歸輸出層。每個(gè)卷積單元包含2個(gè)具有批量歸一化的卷積層和1個(gè)激活函數(shù)。最后的架構(gòu)中，在卷積單元周?chē)砑恿耸Ｓ噙B接。對(duì)于一些剩余的塊，使用跳躍層(由卷積層和批量處理歸一化組成)在添加層之前調(diào)整特征維度。每個(gè)卷積塊中使用批量處理歸一化作為正則化算子。在完成網(wǎng)絡(luò)架構(gòu)后定義選擇訓(xùn)練選項(xiàng)，共進(jìn)行12輪迭代，最大迭代次數(shù)為360次。

圖2 殘差網(wǎng)絡(luò)結(jié)構(gòu)Fig. 2 Structure diagram of residual network

在網(wǎng)絡(luò)訓(xùn)練過(guò)程中，初始學(xué)習(xí)率為0.001，每5個(gè)階段學(xué)習(xí)率降低20%，為加快網(wǎng)絡(luò)模型的收斂速度，采用非線(xiàn)性激活函數(shù)。圖3為殘差網(wǎng)絡(luò)訓(xùn)練過(guò)程圖，展示了損失函數(shù)隨迭代次數(shù)的變化。經(jīng)過(guò)50次迭代后均方根誤差(RMSE)以及網(wǎng)絡(luò)模型的損失值(Loss)趨于平緩，最終在第360次時(shí)達(dá)到收斂。

圖3 殘差網(wǎng)絡(luò)訓(xùn)練過(guò)程圖Fig. 3 Training process diagram of residual network

1.4 試驗(yàn)材料

本試驗(yàn)選取不同大小、粗細(xì)均勻、無(wú)機(jī)械損傷、無(wú)病蟲(chóng)害的‘春白二號(hào)’白蘿卜為研究對(duì)象，產(chǎn)自南京市。為控制蘿卜生長(zhǎng)環(huán)境的濕度與電導(dǎo)率等試驗(yàn)參數(shù)，使用可供給蘿卜生長(zhǎng)所需營(yíng)養(yǎng)的瓊脂溶液進(jìn)行試驗(yàn)研究，便于試驗(yàn)中對(duì)蘿卜進(jìn)行直接觀察。為配制與土壤電導(dǎo)率一致的瓊脂溶液，采用電極法測(cè)量土壤以及蘿卜電導(dǎo)率，選用康培斯生物強(qiáng)度為1 400 g/cm2的瓊脂粉和史丹利農(nóng)業(yè)集團(tuán)有限公司家庭園藝肥，按照瓊脂粉∶家庭園藝肥∶水為3 g∶1 g∶1 L 的比例配置。土壤電導(dǎo)率約 1.85 S/cm，蘿卜電導(dǎo)率約0.45 S/cm。

蘿卜培養(yǎng)缽選用直徑 20 cm、深 20 cm、厚 3 mm的亞克力板容器，頂部放置厚5 mm、內(nèi)徑18 cm、外徑20 cm的圓環(huán)，并等間距打16個(gè)7 mm直徑的孔，用于插入測(cè)量電極。采用AD9850信號(hào)發(fā)生器施加激勵(lì)，電極采用均勻分布8個(gè)電極的16塊電路板，對(duì)16塊電路板進(jìn)行1～16編號(hào)，將蘿卜分成8層分別進(jìn)行數(shù)據(jù)采集。通過(guò)STM32f103zet6單片機(jī)和高精度16通道模擬多位復(fù)用器將電壓信號(hào)通過(guò)串口傳送至電腦進(jìn)行信號(hào)采集。ERT蘿卜根系表型檢測(cè)流程如圖4所示。

圖4 ERT蘿卜根系表型檢測(cè)流程圖Fig. 4 Flow chart of radish root phenotype detection by ERT

1.5 蘿卜根系表型檢測(cè)試驗(yàn)

本文采用16電極ERT系統(tǒng)進(jìn)行試驗(yàn)，對(duì)蘿卜根系進(jìn)行三維檢測(cè)，試驗(yàn)裝置共設(shè)8層電極陣列，每層16個(gè)電極，自下向上依次采集各層電壓數(shù)據(jù)。蘿卜根系表型檢測(cè)實(shí)物如圖5所示。

圖5 蘿卜根系表型檢測(cè)實(shí)物圖Fig. 5 Image of radish root phenotype detection by ERT

首先在容器中加入配制好的瓊脂溶液，再將蘿卜放入溶液中，待溶液完全凝固。ERT系統(tǒng)采用相鄰激勵(lì)-相鄰測(cè)量模式。由AD9850信號(hào)發(fā)生器產(chǎn)生激勵(lì)信號(hào)，通過(guò)16選1模擬開(kāi)關(guān)進(jìn)行激勵(lì)電極以及測(cè)量電極的選通。測(cè)量16組相鄰電壓數(shù)據(jù)后，由數(shù)據(jù)采集單元進(jìn)行信號(hào)處理，并將信號(hào)轉(zhuǎn)變?yōu)閿?shù)字信號(hào)后送至計(jì)算機(jī)；然后切換到下一組相鄰2個(gè)電極傳感器上施加電流激勵(lì)，并采集相鄰電極上的電壓。重復(fù)上述過(guò)程直到所有相鄰2個(gè)電極傳感器都充當(dāng)了激勵(lì)電極，收集到了所有的電壓數(shù)據(jù)后，切換至下一層重復(fù)上述操作。

本文圖像重建質(zhì)量評(píng)價(jià)標(biāo)準(zhǔn)為蘿卜直徑的相對(duì)誤差 (Relative image error，RIE)，計(jì)算公式如式 (12)。

2 結(jié)果與分析

2.1 仿真結(jié)果

2.1.1 蘿卜根系電阻層析成像正問(wèn)題仿真求解本文采用 COMSOL Multiphysics 5.5軟件對(duì)ERT正問(wèn)題進(jìn)行求解。采用相鄰激勵(lì)模式，對(duì)2個(gè)相鄰的激勵(lì)電極分別施加輸入、輸出電流，測(cè)量相鄰電極之間電壓差。分別對(duì)空?qǐng)?、單根、多根進(jìn)行正問(wèn)題建模，求解得到的電場(chǎng)線(xiàn)和電勢(shì)分布圖如圖6所示。本文采用16電極的ERT系統(tǒng)，對(duì)16個(gè)電極進(jìn)行編號(hào)，依次給相鄰2個(gè)激勵(lì)電極施加電壓激勵(lì)，同時(shí)測(cè)量各相鄰電極之間的電壓，在1次激勵(lì)下可以獲得16個(gè)電壓，最終可獲得256 (16×16)個(gè)電壓。

圖6 空?qǐng)?a、d)及混合場(chǎng)(b、c、e、f)仿真Fig. 6 Empty field (a, d) and mixed field (b, c, e, f) simulation

對(duì)比空?qǐng)雠c混合場(chǎng)的電流密度及電勢(shì)分布圖可知，當(dāng)敏感場(chǎng)中為同一電導(dǎo)率時(shí)，電場(chǎng)線(xiàn)為圓弧狀，電勢(shì)分布均勻；當(dāng)有2種及以上電導(dǎo)率時(shí)，電場(chǎng)線(xiàn)在電導(dǎo)率變化處發(fā)生彎曲，電導(dǎo)率大處偏角小，電勢(shì)分布在電導(dǎo)率變化處表現(xiàn)出明顯差異。

2.1.2 蘿卜根系電阻層析成像逆問(wèn)題仿真求解構(gòu)建用于蘿卜根系ERT的殘差神經(jīng)網(wǎng)絡(luò)模型需要大量樣本數(shù)據(jù)進(jìn)行監(jiān)督學(xué)習(xí)，本文利用COMSOL與MATLAB聯(lián)合仿真對(duì)蘿卜根系ERT正問(wèn)題求解獲得仿真數(shù)據(jù)集。每組樣本包括256個(gè)邊界電壓與 16 384 (128×128)個(gè)電導(dǎo)率分布值。為加快網(wǎng)絡(luò)訓(xùn)練收斂速度，將邊界電壓進(jìn)行歸一化處理，使其映射到[0, 1]之間。針對(duì)蘿卜-瓊脂場(chǎng)域中的不同情況，分別對(duì)單根不同位置與雙根不同位置的情況進(jìn)行了仿真求解。圖像重建結(jié)果如圖7所示。

圖7 單根(a、b)及雙根 (c、d) 不同位置仿真圖像重建Fig. 7 Simulation image reconstruction of single root (a, b) and double root (c, d) at different positions

通過(guò)對(duì)大量蘿卜進(jìn)行直徑測(cè)量，得出蘿卜直徑范圍為1～8 cm；因此在仿真研究中蘿卜根系直徑范圍選擇1～8 cm。由表1可以發(fā)現(xiàn)，ResNet算法可以對(duì)不同情況下的蘿卜根系表型進(jìn)行圖像重建，且成像效果良好，能夠有效地還原蘿卜-瓊脂場(chǎng)域中內(nèi)部電導(dǎo)率分布情況。根據(jù)成像結(jié)果可以較清晰地觀察到場(chǎng)域內(nèi)蘿卜的位置以及直徑大小。不同情況下，當(dāng)蘿卜直徑等于1 cm時(shí)，相對(duì)誤差大于10%，當(dāng)直徑大于1 cm時(shí)相對(duì)誤差均在5%以?xún)?nèi)，成像效果較好。

表1 仿真圖像重建相對(duì)誤差Table 1 Relative image error (RIE) of simulated image reconstruction

2.2 試驗(yàn)結(jié)果

利用蘿卜根系表型檢測(cè)系統(tǒng)對(duì)單個(gè)蘿卜與2個(gè)蘿卜的情況進(jìn)行數(shù)據(jù)采集和圖像重建。通過(guò)16選1多路模擬開(kāi)關(guān)控制數(shù)據(jù)采集層的選擇、信號(hào)激勵(lì)電極和數(shù)據(jù)采集電極的選通，取最底層為第1層，自下而上進(jìn)行數(shù)據(jù)采集，每層共獲得256(16×16)個(gè)邊界電壓，共8層數(shù)據(jù)。為減少數(shù)據(jù)采集所產(chǎn)生的誤差，采集5組邊界電壓數(shù)據(jù)，取平均值作為邊界電壓代入圖像重建算法中進(jìn)行圖像重建。分別將每一層邊界電壓帶入訓(xùn)練好的ResNet中進(jìn)行圖像重建，獲得每層蘿卜根系表型情況，最后通過(guò)對(duì)各層二維圖像疊加進(jìn)行三維建模，獲得蘿卜三維根系圖。

完成整個(gè)系統(tǒng)電壓數(shù)據(jù)采集后將蘿卜取出，測(cè)量每層相應(yīng)位置蘿卜實(shí)際直徑。為減小測(cè)量誤差，用游標(biāo)卡尺進(jìn)行5次測(cè)量后取平均值，作為蘿卜實(shí)際直徑。與重建圖像所得直徑進(jìn)行對(duì)比，根據(jù)式(12)計(jì)算各層蘿卜重建結(jié)果的相對(duì)誤差。

圖8黃色區(qū)域表示蘿卜所在區(qū)域，紅色部分表示瓊脂所在區(qū)域。由圖8和表2可以發(fā)現(xiàn)，對(duì)不同情況蘿卜根系進(jìn)行試驗(yàn)研究與圖像重建，可以很好地獲得蘿卜的分布情況，且成像精度高。各層蘿卜重建圖像的相對(duì)誤差較小，與仿真結(jié)果基本一致，其中單個(gè)蘿卜各層檢測(cè)相對(duì)誤差均不高于4.12%，2個(gè)蘿卜檢測(cè)的相對(duì)誤差均不高于4.53%。結(jié)果證明基于ERT結(jié)合ResNet對(duì)蘿卜-瓊脂場(chǎng)域中不同情況蘿卜根系表型進(jìn)行無(wú)損檢測(cè)，具有較好的檢測(cè)效果，也說(shuō)明對(duì)二維圖像進(jìn)行三維重建可以更加直觀地對(duì)蘿卜分布情況進(jìn)行觀察研究，對(duì)實(shí)現(xiàn)優(yōu)勢(shì)根性狀篩選和培育具有重要意義。

圖8 蘿卜圖像重建Fig. 8 Reconstruction of radish image

表2 蘿卜圖像重建相對(duì)誤差Table 2 Relative image error (RIE) of radish image reconstruction

3 結(jié)論

1)現(xiàn)有根系表型檢測(cè)方法的檢測(cè)裝置存在價(jià)格昂貴、涉及核素、需專(zhuān)人操作等問(wèn)題，提出基于ERT的蘿卜根系表型檢測(cè)方法。該方法成像精度高、成本低，可以實(shí)現(xiàn)對(duì)蘿卜表型的無(wú)損連續(xù)檢測(cè)。

2)針對(duì)傳統(tǒng)ERT圖像重建算法精度低、成像效果差的問(wèn)題，結(jié)合ResNet建立蘿卜-瓊脂邊界電壓與內(nèi)部電導(dǎo)率非線(xiàn)性映射。對(duì)單個(gè)蘿卜和2個(gè)蘿卜的情況分別進(jìn)行仿真研究和試驗(yàn)研究。結(jié)果表明：采用ResNet算法進(jìn)行蘿卜表型圖像重建，可以獲得較高的成像質(zhì)量，能夠很好地重建出場(chǎng)域內(nèi)蘿卜和瓊脂的分布情況，且相對(duì)誤差小于5%。

3)該方法可以用于蘿卜根系表型檢測(cè)，在后續(xù)研究中可以進(jìn)行不同作物根系的表型研究。