一个研究小组研究了低成本深度成像传感器，目的是实现植物病理学测试的自动化。该团队在根据子叶损失区分抗性和易感植物方面取得了 97% 的准确率。这种方法比人工注释快 30 倍，并且在各种环境和植物密度下都很稳定。

创新的成像系统、特征提取方法和分类模型提供了一种经济高效、高吞吐量的解决方案，在决策支持工具和实时边缘计算的独立技术中具有潜在的应用。

选择性植物育种起源于大约 10,000 年前的野生植物驯化，现已发展成为应对气候变化挑战的方法。目前的育种工作重点是提高植物对生物和非生物胁迫的适应力、提早发芽以及提高营养和环境价值。然而，开发新品种的漫长过程(通常需要长达 10 年)仍然是一个重大障碍。

2024 年 6 月 6 日发表在《植物表型学》上的一项研究调查了 Phenogrid 的有效性，Phenogrid 是一种用于在生物胁迫下进行早期植物监测的表型系统，旨在解决植物对病原体的抵抗力问题。

在本研究中，提取时空特征，包括绝对振幅(Aabs)、相对振幅(Arel)和下降持续时间(D)，被证明是区分易感和抗性植物批次的有效方法。

发病 (O) 特征在易感植物中表现出一致性，而抗性植物表现出一致的三天发病期，这与子叶损失相关。高度信号不太有效，而表面和体积信号在易感植物和抗性植物之间表现出明显的对比。

统计测试结果表明，大多数提取的特征在检测子叶损失方面具有重要意义。这需要使用复杂的分类器才能实现高效的批量分类。随机森林模型实现了最高的 97% 分类准确率，同时具有强大的性能指标(MCC：+91%)。

该方法表现出对接种时间变化的适应性，在长达两小时的不同步情况下仍能保持性能。此外，模拟表明，将每批植物的数量从 20 株减少到 10 株，在保持分类性能的同时，吞吐量翻了一番。

视觉分析显示，直接浇水会影响分类准确度，这表明自动化或地下灌溉方法可以进一步提高性能。该方法的有效性扩展到其他病原系统的分离，从而证明了其强大的通用性和高通量植物病理学诊断的潜力。

这项研究的高级研究员 David Rousseau 声称，所开发的成像系统与特征提取方法和分类模型相结合，提供了具有无与伦比吞吐量和成本效率的综合管道该研究的高级研究员David Rousseau声称，所开发的成像系统与特征提取方法和分类模型相结合，与最先进的技术相比

该系统可以部署为决策支持工具，但也兼容实时在边缘进行计算的独立技术。

本研究证明了使用低成本深度成像传感器成功实现植物病理学测试自动化，通过子叶损失检测区分抗性和易感性植物的准确率达到 97%。该方法对植物密度和不同步的变化具有很强的适应性，因此与人工注释所需的处理时间相比，处理时间显著加快。

未来的改进可能包括整合额外的成像模式和改进算法以实现更广泛的适用性，从而有望提供快速、准确且经济有效的解决方案来提高作物的恢复力和生产力。