基于多任务深度学习的鹰嘴豆干根腐病图像识别与严重度评估方法研究

《Applications in Plant Sciences》：A multi-task deep learning–based approach to identify and assess dry root rot disease in chickpea

　　

摘要专业翻译 摘要 研究前提： 干根腐病（Dry Root Rot，DRR）是一种因干旱而加剧的新兴全球性病害，影响多种作物。在大规模种质资源筛选中，该病害症状通常通过人工评分来鉴定抗病品种并测试转基因品系及其他品种。尽管人工病害鉴定在过去有所应用，但其不仅繁琐，而且往往难以区分相似胁迫表型。人工病害评分枯燥、耗时且易出错，尤其是在筛选大量植株时。为克服这一局限，研究人员开发了一种机器学习模型，采用基于卷积神经网络（Convolutional Neural Network，CNN）的学习方法，实现DRR的自动化特征提取、图像识别及严重度评估。 方法： 研究人员使用包含10,800张独有RGB图像的内部数据集对模型进行训练、测试和验证。基于Xception和视觉Transformer（Vision Transformer，ViT）两种架构，共开发了51个深度学习模型，包括单任务模型和多任务模型，并采用标准图像增强技术，随后在分层独立测试集上进行验证，以证明模型在相机、扫描仪和显微镜三种成像模态下的稳健性。 结果： 最佳多任务ViT模型能够在组合数据集上进行评分，在区分DRR与对照组方面达到了94%的准确率，在预测DRR严重度评分方面的均方根误差（Root Mean Square Error，RMSE）为1。 讨论： 该模型的各项指标，包括混淆矩阵性能，凸显了其作为大规模DRR种质资源筛选的高效且易用工具的潜力，克服了人工评分的诸多挑战。

论文解读文章

一、研究背景与意义

干根腐病（Dry Root Rot，DRR）由真菌病原体菜豆壳球孢（Macrophomina phaseolina）引起，对包括鹰嘴豆（Cicer arietinum L.）在内的豆科作物构成重大威胁，在适宜病害发生的条件下可导致感病品种完全减产。该病原体寄主范围广泛，限制了轮作作为管理策略的有效性；同时气候变化加剧了干旱频率和高温，增加了DRR发病率，威胁脆弱农业地区的粮食安全。因此，培育抗病品种以及准确识别和评估病害以便及时采取行动，是重要的研究方向。

目前DRR的病害评估方法本质上是人工的，涉及基于病害表达程度对根部症状进行目视评分。然而，人工病害评分具有主观性，易产生偏差，且对于早期病害检测和大规模植株评估而言十分繁琐。由于多种其他胁迫因素会产生相似的表型，人工评分常常易出错。这些因素阻碍了大规模病害筛选项目，例如筛选整个种质资源对DRR的抗性。基于图像的方法可能为DRR与其他胁迫的区分提供准确预测，并提供便捷高通量的病害评估手段，因此有必要通过数字图像分析建立DRR病害检测和评估框架。

二、研究内容与主要结论

研究人员利用Xception和ViT两种深度学习架构，开发了用于鹰嘴豆DRR病害早期图像识别及严重度评分测定的深度学习模型。研究人员生成了来自手持相机、根系扫描仪和体视显微镜三种模态的高质量红绿蓝（RGB）图像数据集，并从头训练模型。研究人员还开发了一种使用WinRHIZO进行DRR病害严重度评分的新型病害评分方案，并针对参考标准人工方法进行了验证。这一端到端流程可推广至其他病害和植物物种，为快速、早期、经济有效的病害诊断提供了有价值的工具。

三、主要关键技术方法

研究人员使用了鹰嘴豆500份基因型材料，来源为国际半干旱热带作物研究所（ICRISAT，位于印度Patancheru）基因库中的微型核心种质资源及补充的核心种质资源。病原体接种采用浸蘸接种法，在植株生长七天后进行，接种后七天采集图像。图像采集通过三种模态完成：手持富士X-T200相机、爱普生V850 Pro根系扫描仪和Euromex DC 1355 F050体视显微镜。图像数据经人工筛选和裁剪后，最终形成10,800张独有图像的平衡数据集，涵盖对照、DRR和非DRR三个类别及三种设备。病害严重度评估采用WinRHIZO Pro 2022软件基于颜色分析进行量化，并计算病害严重度指数（Disease Severity Index，DSI），同时以人工目视评分和ImageJ软件颜色阈值分析作为验证对照。深度学习模型基于Xception和ViT架构开发，采用单任务学习（Single-Task Learning，STL）和多任务学习（Multi-Task Learning，MTL）两种策略，使用AdamW优化器，训练集、验证集和测试集按80:10:10划分。

四、研究结果

稳健参考标准图像输入数据集的生成。 研究人员建立了包含10,800张独有图像的内部数据集，涵盖对照、DRR和非DRR三个类别，每类每种成像模态各1200张图像。数据集覆盖了DRR感染的五个严重度等级，从无可见感染（评分1，高度抗病，DSI 15–20%）到完全感染变色（评分5，高度感病，DSI>60%），确保了模型训练的多样性和稳健性。

新型DRR病害评分方案的验证。 研究人员使用WinRHIZO Pro软件对五个定性类别各100张图像进行评分并计算DSI。结果显示，图像分析软件能有效识别不同图像间DRR病害响应的差异，与人工目视评分方法相比，相机、根系扫描仪和显微镜图像的相关系数分别为0.82、0.93和0.96，证明WinRHIZO Pro软件是快速准确进行DRR病害评分的可靠工具。

卷积神经网络性能评估。 研究人员训练了51个深度学习模型。结果表明，MTL模型在定量上优于STL模型。最佳STL回归模型的RMSE为0.55，而MTL模型在实现高准确率分类的同时，RMSE为0.84–1.34。对于A1（相机）、A3（显微镜）和E（组合）数据集，Xception架构的MTL模型表现略优于ViT；对于A2（根系扫描仪）数据集，ViT模型表现更优。单独使用STL方法学习病害严重度评分较为困难，模型性能得分最低。

最佳模型的测试。 在E数据集（组合所有成像模态）上，最佳模型为ViT架构的MTL模型（二分类+回归），训练71个轮次后，分类准确率达94%，RMSE为1。该模型在359张DRR图像中正确分类323张，361张对照图像中正确分类356张。在严重度评分方面，720张图像中462张评分正确。此外，Xception架构的MTL模型在E数据集上训练500个轮次后，三分类准确率为92%，RMSE为1.34。

新未知测试数据集上的性能验证。 研究人员使用独立的新测试数据进行了严格验证。最佳ViT MTL模型在组合测试集上总体泛化准确率为86%，RMSE为1.23。分模态评估显示，相机图像准确率最高（94%，RMSE=0.87），根系扫描仪图像准确率为85%（RMSE=1.49），显微镜图像准确率为79%（RMSE=1.21）。值得注意的是，专门在A3数据集上训练的ViT二分类和回归模型在显微镜图像上达到93%的准确率，RMSE为1.20。因此，研究人员建议对相机和根系扫描仪图像使用E数据集模型，对显微镜图像使用A3数据集模型以获得最佳性能。

五、讨论与结论总结

讨论部分指出，与单任务基线相比，MTL整体上同时改善了检测和严重度估计性能。联合训练产生的共享表征能够捕获与离散分类和连续严重度变异均相关的特征，减少了单一目标过拟合，提高了跨数据集的稳健性。在组合数据集上训练的最佳ViT模型对相机和扫描仪图像具有良好的泛化能力，表明网络学习了跨采集设备稳定的宏观线索，如整体坏死面积、分布模式和根系构型。该方法将可重复的基于图像的表型分析流程转化为自动化工具，大幅减少了人工评分的主观偏差并提高了筛选通量。研究还指出，模型仅在受控条件下离体根系的图像上训练，在复杂田间环境中的泛化能力面临挑战，未来需通过领域适应和增量微调来增强稳健性。

研究结论方面，该研究利用包含手持相机、根系扫描仪和显微镜三种模态的大型内部图像数据集，为不同需求的用户提供了灵活选择。植物病理学家、农学家和育种家可利用相机图像进行大规模种质筛选，研究病害对根系构型影响的科研人员可利用根系扫描仪图像，细胞生物学家则可利用显微镜图像。该方法规避了传统DRR诊断和严重度估计中的诸多问题，提供了基于深度学习的准确、简便、快速的DRR识别和评估工具。通过结合Xception和ViT骨干网络的互补优势，用户可根据成像模态和操作约束选择或组合模型。该流程可推广至其他作物和根系病害，大幅减少人工评分工作量，加速育种和表型分析项目中的抗性发现。公开可用的代码促进了研究的可重复性，推动了研究和农业领域的实际应用。