植物學
對葉部病害嚴重度進行準確且可重複的評估，對於評價異質性植物群落的表現以及理解寄主—病原體相互作用至關重要。然而，傳統的目測評分方法仍然具有主觀性、精度有限，並且難以在大規模表型分析實驗中推廣。在此，我們提出了一種半自動化圖像分析工作流程，旨在同時定量分析從品種混合種植中採集的小麥旗葉上的多種葉部病害症狀。
該工作流程結合了三個方法學組成部分：（i）標準化的葉片採樣與成像協議；（ii）採用在 Ilastik 中實現的隨機森林進行監督式機器學習分割，以分類多種症狀（白粉病和條鏽病）；以及（iii）用於便於非專業操作人員部署該流程的圖形用戶界面。為評估圖像表示方式對分類性能的影響，系統比較了四種顏色空間（RGB、HSV、HLS、LAB）。該方法利用在自然真菌脅迫條件下評估八組分品種混合的田間試驗中採集的硬粒小麥旗葉圖像進行了驗證。與人工標註圖像的交叉驗證表明，該分割方法在所有症狀上的準確性均較高。
不同顏色空間之間的比較僅顯示出性能上的輕微差異。總體而言，該工作流程為深度學習方法提供了一種成本效益高、標註效率高且可重複的替代方案；它利用開源且持續維護的工具，同時僅需有限的訓練數據，並能夠實現客觀、可重複且可擴展的病害表型分析。
📄 原文連結：https://www.biorxiv.org/content/10.64898/2026.05.14.719059v1?rss=1
🏷️ 植物病害 小麥 圖像分析 機器學習分割 表型分析