Plant Phenomics | 基于多年份、多評(píng)級(jí)的新型RGB 圖像數(shù)據(jù)集進(jìn)行高效無(wú)損赤霉病（FHB）估計(jì)

小麥赤霉病 (Fusarium head blight, FHB) 是最常見的小麥病害之一，F(xiàn)HB除了造成大量減產(chǎn)和降低烘焙質(zhì)量外，還是谷物中真菌毒素的主要來(lái)源，生物化學(xué)方法可用于檢測(cè)FHB產(chǎn)生的真菌毒素。基于田間的FHB嚴(yán)重程度評(píng)分依賴于對(duì)小麥穗上的疾病發(fā)病率和嚴(yán)重程度的視覺評(píng)估以及取決于育種者的感知和經(jīng)驗(yàn)。基于傳感器的FHB高通量表型可以促進(jìn)評(píng)分過(guò)程，有效的FHB表型對(duì)加速抗性育種至關(guān)重要，但目前使用的方法既耗時(shí)又昂貴。
 

2023年7月，Plant Phenomics在線發(fā)表了AImotion Bavaria, Technische Hochschule Ingolstadt等單位題為Efficient Noninvasive FHB Estimation using RGB Images from a Novel Multiyear, Multirater Dataset 的研究論文。
 

本文提出了一種使用紅綠藍(lán) (RGB) 圖像來(lái)估計(jì) FHB 嚴(yán)重程度的無(wú)損分類模型，無(wú)需進(jìn)行大量預(yù)處理。該模型接受從消費(fèi)級(jí)、低成本 RGB 相機(jī)拍攝的圖像，并將 FHB 嚴(yán)重性分為6 個(gè)順序級(jí)別。此外，我們還引入了一個(gè)新的數(shù)據(jù)集，該數(shù)據(jù)集由來(lái)自3個(gè)不同年份(2020年、2021年和2022年)的約3000幅圖像組成，并由獨(dú)立評(píng)分者對(duì)每張圖像進(jìn)行了2次FHB嚴(yán)重程度評(píng)估。試驗(yàn)基于EfficientNet (size b0)網(wǎng)絡(luò)進(jìn)行模型訓(xùn)練，結(jié)果表明，評(píng)估者間的可靠性（Cohen’s kappa，κ）遠(yuǎn)低于網(wǎng)絡(luò)對(duì)單個(gè)評(píng)估者所取得的結(jié)果。此外，當(dāng)使用多年的數(shù)據(jù)進(jìn)行訓(xùn)練并對(duì)獨(dú)立年份的數(shù)據(jù)進(jìn)行測(cè)試時(shí)，該模型顯示出良好的泛化效果。
 

本研究提出的輕量級(jí)模型和方法可以部署在移動(dòng)設(shè)備上，根據(jù)低成本RGB相機(jī)的圖像自動(dòng)客觀地評(píng)估FHB嚴(yán)重程度。源代碼和數(shù)據(jù)集可從https://github.com/cvims/FHB_classification獲得。
 

圖1從左到右，F(xiàn)HB嚴(yán)重程度增加的數(shù)據(jù)集示例

圖2 EfficientNet-b0 網(wǎng)絡(luò)訓(xùn)練過(guò)程的數(shù)據(jù)管道以及將驗(yàn)證和測(cè)試數(shù)據(jù)應(yīng)用到網(wǎng)絡(luò)的數(shù)據(jù)轉(zhuǎn)換

圖3 τ₁ vs τ₂（A）和 τ₁ vs Nτ₁(B)的混淆矩陣，都來(lái)自于數(shù)據(jù)D20。y軸為τ₁。

論文鏈接：

https://spj.science.org/doi/10.34133/plantphenomics.0068

源代碼和數(shù)據(jù)集：
https://github.com/cvims/FHB_classification

——推薦閱讀——
Generating 3D multispectral point clouds of plants with fusion of snapshot spectral and RGB-D images
https://doi.org/10.34133/plantphenomic‍s.0040
Plant Phenomics | 浙江大學(xué)發(fā)現(xiàn)一種融合快照光譜圖像和RGB-D圖像生成高質(zhì)量三維多光譜植物點(diǎn)云的新方法
Self-Supervised Plant Phenotyping by Combining Domain Adaptation with 3D Plant Model Simulations: Application to Wheat Leaf Counting at Seedling Stage 
https://doi.org/10.34133/plantphenomics.0041
Plant Phenomics | 虛擬圖像“以假亂真”，無(wú)需人工標(biāo)注，自監(jiān)督創(chuàng)建小麥表型算法

加入作者交流群
掃碼添加小編微信，拉您進(jìn)入《植物表型組學(xué)》作者交流群，群內(nèi)不定期開展作者分享會(huì)、專刊發(fā)布會(huì)等高質(zhì)量活動(dòng)。

添加小編微信，備注姓名+單位+PP，加入作者交流群

About Plant Phenomics

《植物表型組學(xué)》（Plant Phenomics）是由南京農(nóng)業(yè)大學(xué)和美國(guó)科學(xué)促進(jìn)會(huì)（AAAS）合作創(chuàng)辦的英文學(xué)術(shù)期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學(xué)交叉學(xué)科熱點(diǎn)領(lǐng)域具有突破性科研進(jìn)展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點(diǎn)。具體范圍涵蓋高通量表型分析的最新技術(shù)，基于圖像分析和機(jī)器學(xué)習(xí)的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實(shí)踐中的表型組學(xué)新應(yīng)用，與植物表型相結(jié)合的分子生物學(xué)、植物生理學(xué)、統(tǒng)計(jì)學(xué)、作物模型和其他組學(xué)研究，表型組學(xué)相關(guān)的植物生物學(xué)等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫(kù)收錄。科睿唯安JCR2022影響因子為6.5，位于農(nóng)藝學(xué)、植物科學(xué)、遙感一區(qū)。中科院農(nóng)藝學(xué)、植物科學(xué)一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國(guó)科技期刊卓越行動(dòng)計(jì)劃高起點(diǎn)新刊項(xiàng)目。

說(shuō)明：本文由《植物表型組學(xué)》編輯部負(fù)責(zé)組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準(zhǔn)。
排版：趙倩瑩（南京農(nóng)業(yè)大學(xué)）
審核：孔敏、王平