植物学
对叶部病害严重度进行准确且可重复的评估，对于评价异质性植物群落的表现以及理解寄主—病原体相互作用至关重要。然而，传统的目测评分方法仍然具有主观性、精度有限，并且难以在大规模表型分析实验中推广。在此，我们提出了一种半自动化图像分析工作流程，旨在同时定量分析从品种混合种植中采集的小麦旗叶上的多种叶部病害症状。
该工作流程结合了三个方法学组成部分：（i）标准化的叶片采样与成像协议；（ii）采用在 Ilastik 中实现的随机森林进行监督式机器学习分割，以分类多种症状（白粉病和条锈病）；以及（iii）用于便于非专业操作人员部署该流程的图形用户界面。为评估图像表示方式对分类性能的影响，系统比较了四种颜色空间（RGB、HSV、HLS、LAB）。该方法利用在自然真菌胁迫条件下评估八组分品种混合的田间试验中采集的硬粒小麦旗叶图像进行了验证。与人工标注图像的交叉验证表明，该分割方法在所有症状上的准确性均较高。
不同颜色空间之间的比较仅显示出性能上的轻微差异。总体而言，该工作流程为深度学习方法提供了一种成本效益高、标注效率高且可重复的替代方案；它利用开源且持续维护的工具，同时仅需有限的训练数据，并能够实现客观、可重复且可扩展的病害表型分析。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.05.14.719059v1?rss=1
🏷️ 植物病害 小麦 图像分析 机器学习分割 表型分析