Estimating Fusarium head blight severity in winter wheat using deep learning and a spectral index
Notice bibliographique
Résumé
Abstract Fusarium head blight (FHB) of wheat ( Triticum aestivum L.), caused by the fungal pathogen Fusarium graminearum ( Fg ), reduces grain yield and quality due to the production of the mycotoxin deoxynivalenol. Manual rating for incidence (percent of infected wheat heads/spikes) and severity (percent of spikelets infected) to estimate FHB resistance is time‐consuming and subject to human error. This study uses a deep learning model, combined with a spectral index, to provide rapid phenotyping of FHB severity. An object detection model was used to localize wheat heads within boundary boxes. Corresponding boxes were used to prompt Meta's Segment Anything Model to segment wheat heads. Using 2576 images of wheat heads point inoculated with Fg in a controlled environment, a spectral index was developed using the red and green bands to differentiate healthy from infected tissue and estimate disease severity. Stratified random sampling was applied to pixels within the segmentation mask, and the model classified pixels as healthy or infected with an accuracy of 87.8%. Linear regression determined the relationship between the index and visual severity scores. The severity estimated by the index was able to predict visual scores ( R 2 = 0.83, p = < 2e‐16). This workflow was also applied to plot size images of infected wheat heads from an outside dataset with varying cultivars and lighting to assess model transferability. It correctly classified pixels as healthy or infected with a prediction accuracy of 85.8%. These methods may provide rapid estimation of FHB severity to improve selection efficiency for resistance or estimate disease pressure for effective management.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,001 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».