基于多年份多評級的新型RGB圖像數(shù)據(jù)集進行高效無損赤霉病(FHB)估計
Plant Phenomics | 基于多年份、多評級的新型RGB 圖像數(shù)據(jù)集進行高效無損赤霉病（FHB）估計
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源，生物化學方法可用于檢測FHB產(chǎn)生的真菌毒素。基于田間的FHB嚴重程度評分依賴于對小麥穗上的疾病發(fā)病率和嚴重程度的視覺評估以及取決于育種者的感知和經(jīng)驗。基于傳感器的FHB高通量表型可以促進評分過程，有效的FHB表型對加速抗性育種至關重要，但目前使用的方法既耗時又昂貴。
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 (RGB) 圖像來估計 FHB 嚴重程度的無損分類模型，無需進行大量預處理。該模型接受從消費級、低成本 RGB 相機拍攝的圖像，并將 FHB 嚴重性分為6 個順序級別。此外，我們還引入了一個新的數(shù)據(jù)集，該數(shù)據(jù)集由來自3個不同年份(2020年、2021年和2022年)的約3000幅圖像組成，并由獨立評分者對每張圖像進行了2次FHB嚴重程度評估。試驗基于EfficientNet (size b0)網(wǎng)絡進行模型訓練，結果表明，評估者間的可靠性（Cohen’s kappa，κ）遠低于網(wǎng)絡對單個評估者所取得的結果。此外，當使用多年的數(shù)據(jù)進行訓練并對獨立年份的數(shù)據(jù)進行測試時，該模型顯示出良好的泛化效果。
本研究提出的輕量級模型和方法可以部署在移動設備上，根據(jù)低成本RGB相機的圖像自動客觀地評估FHB嚴重程度。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嚴重程度增加的數(shù)據(jù)集示例
圖2 EfficientNet-b0 網(wǎng)絡訓練過程的數(shù)據(jù)管道以及將驗證和測試數(shù)據(jù)應用到網(wǎng)絡的數(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”，無需人工標注，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，拉您進入《植物表型組學》作者交流群，群內(nèi)不定期開展作者分享會、�？l(fā)布會等高質(zhì)量活動。
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》（Plant Phenomics）是由南京農(nóng)業(yè)大學和美國科學促進會（AAAS）合作創(chuàng)辦的英文學術期刊，于2019年1月正式上線發(fā)行。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創(chuàng)性研究論文、綜述、數(shù)據(jù)集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農(nóng)業(yè)實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統(tǒng)計學、作物模型和其他組學研究，表型組學相關的植物生物學等。期刊已被DOAJ、Scopus、PMC、EI和SCIE等數(shù)據(jù)庫收錄。科睿唯安JCR2022影響因子為6.5，位于農(nóng)藝學、植物科學、遙感一區(qū)。中科院農(nóng)藝學、植物科學一區(qū)，遙感二區(qū)，生物大類一區(qū)（TOP期刊）。2020年入選中國科技期刊卓越行動計劃高起點新刊項目。
說明：本文由《植物表型組學》編輯部負責組稿。
中文內(nèi)容僅供參考，一切內(nèi)容以英文原版為準。
排版：趙倩瑩（南京農(nóng)業(yè)大學）
審核：孔敏、王平
