FHB-Net:基于图像级别注释空中RGB图像的小麦虫头部炎症严重程度评估模型
Shuxin Zhu1, Huayong Li2, Shun Zou1
1College of Smart Agriculture (College of Artificial Intelligence), Nanjing Agricultural University, Nanjing, China.
Frontiers in plant science
|October 1, 2025
概括
一个新的FHBNet模型使用空中图像准确地评估了小麦中Fusarium头部炎症 (FHB) 的严重程度. 这有助于更有效地开发抗病作物.
科学领域:
- 农业科学 农业科学
- 植物病理学 植物病理学
- 计算机视觉 计算机视觉
背景情况:
- 菌头部病 (FHB) 严重威胁全球小麦产量,导致高达50%的产量损失.
- 耐药小麦品种对于疾病管理至关重要,需要准确的FHB严重程度评估.
- 目前的方法在细粒度特征学习方面扎,导致对早期感染的预测不可靠.
研究的目的:
- 开发一个端到端的深度学习模型 (FHBNet) 以使用RGB空中图像进行准确的FHB严重性评估.
- 改进缺乏细粒度特征学习能力的现有方法,以区分小麦感染水平.
- 为了促进高吞吐量和非破坏性的表型分析,以加速疾病耐药性繁殖.
主要方法:
- 拟议的FHBNet模型使用多尺度交叉注意力 (MSCCA) 进行全球上下文关系和空间上下文建模.
- 集成的双层路由注意 (BRA) 模块,通过抑制无关信息来准确地定位小FHB病变.
- 在6035个RGB空中图像的数据集上训练和评估模型,具有轻度,中度和严重的FHB标签.
主要成果:
- 在测试组中,FHBNet获得了79.49%的准确性,超过了几个主流神经网络 (MobileViT,MobileNet,EfficientNet,RepLkNet,ViT,ConvNeXt).
- 可视化热图证实了FHBNet在不同严重程度和照明条件下精确定位FHB病变的能力.
- 证明了快速,非破坏性的FHB严重性评估的可行性,仅使用图像级的注释空中RGB图像.
结论:
- FHBNet提供了一种强大而准确的解决方案,用于评估小麦中Fusarium头病的严重程度.
- 该模型的性能验证了深度学习与用于农业疾病监测的空中图像的潜力.
- 这种方法可以通过提供高效和精确的表型分析,显著加速小麦育种计划.
更多相关视频
11:37RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols
Published on: August 8, 2017
16.9K
07:36Visualizing Early Infection Sites of Rice Blast Disease Magnaporthe oryzae on Barley Hordeum vulgare Using a Basic Microscope and a Smartphone
Published on: March 17, 2023
2.2K
