使用计算机视觉用于高通量体外测定,自动检测和定量双斑虫生命阶段

科学领域:

• 农业科学 农业科学
• 昆虫学 昆虫学是一门学科.
• 计算机视觉 计算机视觉

背景情况:

• 双斑蜘蛛 (Tetranychus urticae Koch) 是一种主要的农业害虫,以其对杀剂的耐药性而闻名.
• 对于虫耐药性繁殖的传统表型化方法是劳动密集型的,并且限制了可扩展性.
• 自动化,高通量表型是加速发展耐药作物品种的关键.

研究的目的:

• 开发和验证一个半自动图像分析管道,用于高通量识别双斑虫生命阶段.
• 为模型培训和验证创建一个全面的,公开可用的,注释的虫图像数据集.
• 评估管道在控制试验中量化虫生育率和死亡率方面的表现.

主要方法:

• 黑鸟数控显微镜成像机器人与计算机视觉模型的集成,用于虫识别.
• 开发一个数据集,包含超过1500个标注图像,跨越五种虫生命阶段,10种宿主物种和25种品种.
• 基于YOLOv11的物体检测模型的培训和评估,使用真实和合成数据.

主要成果:

• 一个三类YOLOv11模型实现了高性能 (精度=0.875,回忆=0.871,mAP50=0.883) 虫生命阶段识别.
• 管道准确估计了蜂品种的虫生育率,与手工计数有很强的相关性 (R2=0.98).
• 在新型宿主植物和高虫密度 (>80虫/图像) 上,性能下降,表明需要对宿主进行特定微调.

结论:

• 开发的图像分析管道提供了一个可扩展,快速和可重复的替代手动虫表型化.
• 该系统解决了针对抗生素特征的耐药性育种计划中的关键吞吐量瓶.
• 该框架有助于将自动成像集成到更广泛的害虫管理和植物育种战略中,并提供公开可用的数据和代码.