欧亚国际

小麦赤霉病 (Fusarium head blight, FHB) 是最常见的小麦病害之一，FHB除了造成大量减产和降低烘焙质量外，还是谷物中真菌毒素的主要来源，生物化学方法可用于检测FHB产生的真菌毒素。基于田间的FHB严重程度评分依赖于对小麦穗上的疾病发病率和严重程度的视觉评估以及取决于育种者的感知和经验。基于传感器的FHB高通量表型可以促进评分过程，有效的FHB表型对加速抗性育种至关重要，但目前使用的方法既耗时又昂贵。

2023年7月，Plant Phenomics在线发表了AImotion Bavaria, Technische Hochschule Ingolstadt等单位题为Efficient Noninvasive FHB Estimation using RGB Images from a Novel Multiyear, Multirater Dataset 的研究论文。

本文提出了一种使用红绿蓝 (RGB) 图像来估计 FHB 严重程度的无损分类模型，无需进行大量预处理。该模型接受从消费级、低成本 RGB 相机拍摄的图像，并将 FHB 严重性分为6 个顺序级别。此外，我们还引入了一个新的数据集，该数据集由来自3个不同年份(2020年、2021年和2022年)的约3000幅图像组成，并由独立评分者对每张图像进行了2次FHB严重程度评估。试验基于EfficientNet (size b0)网络进行模型训练，结果表明，评估者间的可靠性（Cohen’s kappa，κ）远低于网络对单个评估者所取得的结果。此外，当使用多年的数据进行训练并对独立年份的数据进行测试时，该模型显示出良好的泛化效果。

本研究提出的轻量级模型和方法可以部署在移动设备上，根据低成本RGB相机的图像自动客观地评估FHB严重程度。源代码和数据集可从http://github.com/cvims/FHB_classification获得。

图1从左到右，FHB严重程度增加的数据集示例

图2 EfficientNet-b0 网络训练过程的数据管道以及将验证和测试数据应用到网络的数据转换

图3 τ₁ vs τ₂（A）和 τ₁ vs Nτ₁(B)的混淆矩阵，都来自于数据D20。y轴为τ₁。

论文链接：

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

源代码和数据集：

http://github.com/cvims/FHB_classification

——推荐阅读——

Generating 3D multispectral point clouds of plants with fusion of snapshot spectral and RGB-D images

http://doi.org/10.34133/plantphenomic‍s.0040

Plant Phenomics | 浙江大学发现一种融合快照光谱图像和RGB-D图像生成高质量三维多光谱植物点云的新方法

Self-Supervised Plant Phenotyping by Combining Domain Adaptation with 3D Plant Model Simulations: Application to Wheat Leaf Counting at Seedling Stage 

http://doi.org/10.34133/plantphenomics.0041

Plant Phenomics | 虚拟图像“以假乱真”，无需人工标注，自监督创建小麦表型算法