在大豆叶中检测胃口和抗性分析
Jiarui Feng1,2, Shichao Wu3, Rong Mu4
1College of Smart Agriculture (College of Artificial Intelligence), Nanjing Agricultural University, Nanjing 211800, China.
Plants (Basel, Switzerland)
|October 16, 2025
概括
一个新的大豆口腔-YOLO (SS-YOLO) 模型准确地检测大豆疾病耐药性研究的口腔特征. 这种人工智能方法有助于通过分析与免疫相关的口腔特征来培育更有弹性的大豆品种.
科学领域:
- 植物科学 植物科学
- 农业工程 农业工程
- 计算生物学 计算生物学
背景情况:
- 胃口对植物免疫力至关重要,它们的形态与疾病抵抗力有关.
- 准确的口腔分析对于大豆育种和抗病性研究至关重要.
- 传统方法与复杂的大豆叶图像作斗争,阻碍了胃口检测.
研究的目的:
- 开发一个先进的模型来准确检测大豆静脉和表型参数分析.
- 增强现有的深度学习模型,以改善口腔特征的特征提取.
- 为了研究口腔特征与大豆生病耐药性之间的关系.
主要方法:
- 提出了一个大豆口腔-YOLO (SS-YOLO) 模型,将注意力机制 (LSKA,DLKA) 集成到YOLOv8架构中.
- 修改的空间金字塔聚合快速 (SPPF) 和部模块,以捕捉多尺度和不规则的口腔特征.
- 应用SS-YOLO模型来分析疾病压力下的大豆品种的口腔参数 (长度,宽度,面积,方向,密度,分布).
主要成果:
- SS-YOLO模型实现了98.7%的高检测精度.
- 有效提取和量化口腔特征和相关指数.
- 确定Dandou21 (DD21) 具有稳定的口腔形态和分布,与生病耐药性相关,与Fudou9 (FD9) 和Huaixian5 (HX5) 不同.
结论:
- SS-YOLO模型显著提高了大豆口腔检测和分析的准确性.
- 胃部特征是大豆疾病耐药性的可靠指标.
- 这种方法为大豆育种和植物疾病耐药性研究提供了有价值的工具.
