Phenotype pictures of wheat heads infected with Fusarium graminearum
Notice bibliographique
Résumé
Fusarium head blight (FHB) of wheat (Triticum aestivum), 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 (R2=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 light conditions, 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 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) | 0,003 | 0,001 |
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 ».