根盒法因其成本低、非破坏性等优点，成为获取土培条件下高通量根系表型数据的常用手段，广受研究者青睐。然而，由于部分根系深藏于土壤中无法被完整采集，导致所获表型数据存在偏差，影响根系形态参数计算的准确性。同时，根系修复任务的标注与根系分割一样，面临标注困难、成本高的挑战。现有修复方法多依赖算法生成的虚拟根系图像（包括人工构造的根系结构和模拟的缺失区域），并通过局部裁剪方式进行训练，难以有效应对长距离缺失或根系边缘区域的修复问题，泛化能力有限。

针对上述问题，研究团队构建了一个完全开源的混合根系修复数据集（Hybrid Root Inpainting Dataset, HRID）。该数据集在大量真实土培根系图像标注的基础上，创新性地结合水培根盒获取的完整根系图像与算法模拟的缺失模式，生成兼具真实性和多样性的修复样本。HRID共包含8922张根系图像，其中土培根系1206张，水培根系7716张。基于此数据集，团队进一步提出了一种基于生成对抗网络（GAN）的EU-GAN模型。通过在生成器中引入边缘注意力模块（Edge Attention Module, EAM）、优化损失函数设计并结合后处理策略，显著提升了根系修复效果。实验表明，该方法将棉花根系的修复率从17.35%提高至35.75%，关键表型参数（如根长、分枝数等）提取误差降低了48.64%至88.28%，显著提升了根系表型分析的精度与可靠性。

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