低成本,红绿蓝 (RGB) 图像分析和机器学习的结合,以选大麦植物对净布洛奇的抵抗力
Fernanda Leiva1, Rishap Dhakal2, Kristiina Himanen3
1Department of Plant Breeding, Swedish University of Agricultural Sciences (SLU), P.O. Box 190, SE-23422 Lomma, Sweden.
Plants (Basel, Switzerland)
|April 13, 2024
概括
这项研究引入了一种自动化的RGB成像和机器学习方法,用于准确评估大麦的净斑严重程度. 这种方法有助于精确选择抗病大麦品种,以提高作物产量和质量.
科学领域:
- 植物病理学 植物病理学
- 农业科学 农业科学
- 计算生物学 计算生物学
背景情况:
- 气候变化和人口增长加剧了植物疾病,如大麦的净斑 (NB) (Hordeum vulgare L.).
- 目前用于识别大麦的NB耐药性的方法是主观的,耗时的,阻碍了有效的育种计划.
- 开发自动化,非破坏性和具有成本效益的疾病评分方法对于大麦的改善至关重要.
研究的目的:
- 提出一种新的,自动选方法,用于评估大麦的净斑点严重程度.
- 使用RGB成像系统和机器学习进行精确的NB症状和严重程度评估.
- 为了便于快速准确地选择耐NB的大麦生殖质.
主要方法:
- 一个自动化的RGB成像系统被用来捕捉大麦叶的图像.
- 开发了机器学习算法来分析图像数据并识别NB症状.
- 该方法在三种大麦品种中得到了验证,这些大麦品种具有不同程度的对NB的抗性.
主要成果:
- 自动化系统在分类NB严重程度方面实现了99%的平均精度.
- 该系统准确地识别了各种NB症状,包括性,性和真菌病变,以及叶尖死.
- 该方法在评估大麦叶上的NB严重性方面表现出有效性.
结论:
- 提出的自动RGB成像和机器学习方法对于评估大麦的净斑严重程度是有效的.
- 这项技术可以显著提高选择耐NB大麦品种的精度和效率.
- 这些发现支持将自动表型化整合到大麦育种计划中,以提高抗病能力.
