图2 从MN数据集导出的随机森林和ResNet-18混淆矩阵
图3 采用跨种群和合并分析的ResNet-18混淆矩阵
图2展示了四个不同的混淆矩阵，分别对应于两种模型（RF和ResNet-18）在原始和修正后的MN数据集上的表现：(A) 来自Xu等人的RF预测准确性 (B) 经修正的MN标签的RF混淆矩阵 (C) 原始MN标签的ResNet-18混淆矩阵。(D) 经修正的MN标签的ResNet-18混淆矩阵。图3展示了四个不同的ResNet-18混淆矩阵，它们展示了模型在原始标签、修正标签、合并标签以及合并可信标签下的性能：(A) 来源于原始（MN和OK）标签的ResNet-18混淆矩阵。(B) 来源于修正后（MN和OK）标签的ResNet-18混淆矩阵。(C) 来源于合并（n = 881）标签的ResNet-18混淆矩阵。(D) 来源于合并可信（n = 608）标签的ResNet-18混淆矩阵。
实验的结果证明，CL算法适度提高了随机森林模型对MN数据集的整体预测准确度（1%），而在ResNet-18模型的结果中观察到了更大的准确性提升。与原始/预处理的数据集相比，CL方法使得ResNet-18的跨种群预测准确度提高了约8%到13%。训练和测试数据组合中，预测主根RSA的最高准确度（86%）来自CL和/或RL修正的数据集。同样地，对于中间RSA类别的最高准确度也来自于修正后的数据组合。使用ResNet-18模型在包含两个采样地点图像的合并数据集上应用CL所达到的最高整体准确度约为75%。当采用CL和RL时，紫花苜蓿RSA图像标签的ResNet-18深度神经网络预测准确度得以提升。通过增加数据集规模以减少过拟合的同时发现并纠正图像标签错误，Brandon J.Weihs等人证明了使用半自动化的计算机辅助预处理和数据清理（CL/RL）可以实现高达约11%至13%的准确性提升。
https://doi.org/10.34133/plantphenomics.0251
https://doi.org/10.34133/plantphenomics.0178
Plant Phenomics 综述 | 利用人工智能进行根系结构成像分析的最新进展
《植物表型组学》（Plant Phenomics）是由南京农业大学创办的英文学术期刊，于2019年1月正式上线发行。采用开放获取形式，刊载植物表型组学交叉学科热点领域具有突破性科研进展的原创性研究论文、综述、数据集和观点。具体范围涵盖高通量表型分析的最新技术，基于图像分析和机器学习的表型分析研究，提取表型信息的新算法，作物栽培、植物育种和农业实践中的表型组学新应用，与植物表型相结合的分子生物学、植物生理学、统计学、作物模型和其他组学研究，表型组学相关的植物生物学等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等数据库收录。科睿唯安JCR2023影响因子为7.6，位于农艺学一区（1/125名），植物科学一区（13/265名），遥感一区（6/62名）。2023年中科院期刊分区位于农林科学大类一区。2020年入选中国科技期刊卓越行动计划高起点新刊项目、2024年入选江苏科技期刊卓越行动计划领军期刊项目。
说明：本文由《植物表型组学》编辑部负责组稿。
审核：尹欢、孔敏
