基于分割神经网络的自动化花生叶斑病严重度评分系统开发与验证

本研究针对花生叶斑病传统人工评分主观性强的问题，开发了基于ResNet50架构的语义分割神经网络系统。通过采集田间图像并建立标准化评分函数，实现了对早期/晚期叶斑病(Passalora arachidicola/Nothopassalora personata)严重度的自动化评估，与专家评分相比RMSE仅0.8-0.996。该系统为花生抗病育种提供了客观表型分析工具，显著降低了人工评分误差。

　　

在全球气候变化加剧的背景下，花生作为重要的油料作物面临着叶斑病的严重威胁。这种由Passalora arachidicola和Nothopassalora personata引起的病害可导致超过50%的产量损失，每年造成高达6亿美元的经济损失。传统依赖人工视觉的1-9分制评分系统存在显著主观偏差，不同专家对同一地块的评分差异可达2-3个等级，严重制约了抗病育种研究的可靠性。

美国北卡罗来纳州立大学(NC State University)的研究团队在《Plant Methods》发表创新性研究，开发出首个整合图像采集协议与深度学习模型的自动化评分系统。该系统通过标准化手机拍摄的田间图像，采用改进的ResNet50网络实现像素级分类（健康/感染/坏死/非植物组织），最终建立与佛罗里达9分制等效的连续评分函数。

关键技术包括：（1）设计含空间校准块的36英寸手持拍摄装置；（2）构建含514张标注图像的训练集；（3）开发基于DeepLabV3+框架的4类语义分割模型；（4）建立δ（感染像素比）与ω（坏死像素比）的线性回归方程：s_p=1.0+11.2621δ+7.6794ω。田间试验涵盖2年2地点的2120个地块，验证集显示模型对健康/感染组织的分类准确率达80%以上。

【METHODOLOGY】

图像采集协议采用三图像采样法（地块两端+中部），通过校准块实现94像素/英寸的空间标定。相比人工巡视6.8m²地块的传统方法，该协议虽采样面积减少60%（2.7m²），但通过多角度覆盖显著降低叶片遮挡误差。

【Neural network performance】

在48张测试图像上，ResNet50模型的Jaccard指数达0.770，显著优于MobileNet(0.716)和U-Net(0.721)。特别在关键指标——坏死组织识别中，ResNet50准确率(53.8%)比次优模型高19个百分点。混淆矩阵显示感染与坏死组织的误判率仅5.7%/1.6%，满足分级需求。

【Scoring function】

基于476张标注图像的验证表明，单图像预测与专家评分的RMSE为0.996，而三图像平均使误差降至0.800。健康组织比例与视觉评分的相关性(r=-0.81)证实了模型的生物学合理性。线性拟合显示感染/坏死组织比例与9分制的r²达0.883-0.960。

【Predicted severity over time】

时序分析显示，在12天生长期内模型检测到平均严重度从3.87升至4.29（标准差1.33→2.18），符合病害发展规律，证实系统具备动态监测能力。

该研究首次实现叶斑病评分从主观判断到客观量化的跨越，其创新性体现在：（1）保留传统9分制框架的同时提供连续评分；（2）兼容手持设备与未来无人机平台；（3）开源数据集促进方法优化。作为表型分析(Phenotyping)领域的突破，该系统不仅适用于花生育种，其"图像分割-特征提取-回归建模"的技术路线为其他作物病害评估提供了普适性范式。研究团队特别指出，下一步将整合高光谱数据以提升早期无症状阶段的检测灵敏度。