High-Throughput Imaging System for Early Detection of Root Rot Disease in Field Peas (Pisum sativum L.)
Notice bibliographique
Résumé
Aphanomyces root rot (ARR) and Fusarium root rot (FRR), caused by Aphanomyces euteiches and Fusarium avenaceum, are major soil-borne diseases limiting field pea productivity and breeding progress. This study presents a high-throughput hyperspectral imaging (HSI) system combined with machine learning (ML) to enable early, non-destructive detection of root rot in controlled greenhouse trials. Sixteen pea genotypes were evaluated across three experiments in 2024, with shoot and root reflectance data acquired using a HSI sensor. Visual disease ratings were categorized into three severity levels of low, moderate, and high for model development. ML algorithms, including Partial Least Squares Regression (PLSR), Random Forest (RF), and Artificial Neural Network (ANN), were trained to predict disease severity. PLSR achieved the highest predictive accuracy, especially when using root spectra, which showed best performance in detecting high disease severity. Key wavelengths in the red-edge (680–750 nm) and near-infrared (750–1000 nm) regions were identified as critical for early disease inference. Preliminary relationships linking shoot and root spectra were also explored for field applicability. This integrated HSI-ML approach offers a scalable, rapid phenotyping tool for precision breeding, supporting the development of disease-resistant pea cultivars and advancing sustainable crop protection strategies.
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 machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| 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 | 0,000 |
| 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 source (Gemma direct ou Codex distillé), 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 ».