摘要 研究中根系量化的规模通常受采样、测量和处理样本所需时间的限制。卷积神经网络 (CNN) 的最新发展使得更快、更准确的植物图像分析成为可能，这可能显著减少根系测量所需的时间，但在让不具备机器学习深度知识的研究人员使用这些方法方面仍然存在挑战。我们使用 RootPainter CNN 软件分析了从三个破坏性根系采样中获取的根系图像，该软件具有一个更易于使用的校正注释界面。带有和不带有非根系碎片的根系扫描用于测试训练模型（即从标记示例中学习）是否可以通过将最终结果与干净图像的测量值进行比较来有效排除碎片。从土壤剖面壁和土壤芯横截面获取的根系图像也用于训练，并将得出的测量值与人工测量值进行比较。在每个数据集上训练 200 分钟后，我们发现，对于整体结构（R 2 =0.99）、剖面壁（R 2 =0.76）和土芯断裂（R 2 =0.57），手动测量结果与 RootPainter 得出的数据之间存在显著关系。从带有碎片的图像得出的生根密度与用 RootPainter 处理后的干净图像得出的生根密度没有显著差异。还可以从剖面壁和土壤芯图像中成功计算出生根密度，并且在每种情况下，根密度随深度的梯度与手动计数没有显著差异。我们的结果表明，使用 CNN 的所提出方法可以大幅减少根样本处理工作量，从而增加未来根系研究的潜在规模。关键词：深度学习 | 分割 | 根量化 | 剖面壁 | 根清洗 | 土壤芯取样