Spotibot：基于深度学习与移动计算的玫瑰花瓣灰霉病病斑快速评分系统-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

学术中心

全部分类

Spotibot：基于深度学习与移动计算的玫瑰花瓣灰霉病病斑快速评分系统

发布时间：

2025-06-02

来源：

作者：

玫瑰以其观赏价值著称，通过广泛育种和便捷的杂交手段，现已培育出丰富多样的花色与花型。在采后阶段，玫瑰极易受到灰霉病菌（Botrytis cinerea）引发的真菌性腐败。目前尚未发现对灰霉病的完全抗性，多项研究表明其抗性表现为数量性状特征。这意味着抗性涉及多个基因，且每个基因的贡献可能仅对抗性产生微弱影响。因此，开发能够精准区分微小效应差异的准确、快速、客观表型分析技术，对于育种筛选及发现新型灰霉病抗性或感病基因至关重要。Spotibot作为一款兼具网页端与移动端的表型分析软件，采用深度学习与移动计算技术自动检测玫瑰花瓣灰霉病病斑，具有极高的育种筛选应用价值。该算法可精准测量花瓣面积（mm²）、病斑面积（mm²）、病斑直径（mm）及病斑-花瓣面积比。基于深度学习的算法采用由粗到精的分割策略，通过两个实例分割模型实现：首个模型（F1分数=0.99）用于花瓣检测与分割，第二个模型（F1分数=0.96）则专门检测和分割花瓣上的灰霉病病斑。斯皮尔曼等级相关分析显示，人工主观评分与Spotibot生成的客观数据间具有高度近单调相关性。方差分析表明，相较于单纯使用主观数据，客观变量能揭示更多且更显著的玫瑰基因型间差异。本研究首创性地开发了快速、用户友好的玫瑰花瓣图像分析应用程序，为灰霉病抗性筛选提供了创新解决方案。

图1 图像采集装置示意图：(A) 三维结构示意图；(B) 拍摄箱内部实景图；(C) 手机端取景视图。

图2 玫瑰灰霉病病斑检测与分割算法流程。每个检测框包含多项输出数值（图示右下角说明），其中红色文字标注具体测量值。检测目标中橙色轮廓线表示灰霉病病斑实例分割结果，白色轮廓线表示花瓣实例分割结果。

图3 Spotibot系统界面截图：(A) 网页端应用；(B) 移动端应用；(C) 图B输出图像的局部放大，其中R表示病斑-花瓣面积比，p为置信度评分。

图4 不同花色玫瑰花瓣的灰霉病病斑发展情况：(A) 橙色花瓣；(B) 红色花瓣；(C) 粉色花瓣；(D) 白色花瓣。

图5 算法最优输出结果：(A) 白色花瓣培养皿检测效果，(B、C) 局部正确检测结果放大；(D) 红色花瓣培养皿检测效果，(E) 典型错误检测示例，(F) 正确检测结果。各检测框数值表示方式同图2所示，橙色轮廓线表示病斑实例分割，白色轮廓线表示花瓣实例分割。

图6 不同移动设备算法输出效果：(A、B、C) 三星Galaxy A52；(D、E、F) 小米Poco X3 Pro。各检测框数值表示方式同图2所示，橙色轮廓线表示病斑实例分割，白色轮廓线表示花瓣实例分割。

图7 主观评分与客观变量的非线性正相关关系。(A) 病斑直径AUDPC与主观AUDPC评分的相关性；(B) 病斑面积AUDPC与主观评分的相关性；(C) 病斑比例AUDPC与主观评分的相关性；(D) 接种后第6天（6DPI）病斑比例与主观评分（0-5级）的相关性。AUDPC值为3DPI与6DPI敏感度数据的综合指标，趋势线采用局部加权散点平滑法（LOESS）计算。

图8 基于主客观数据的玫瑰对照基因型灰霉病敏感性比较。(A) 主观评分，(B) 病斑直径，(C) 病斑面积，(D) 病斑比例的敏感性数据。纵轴为综合3DPI与6DPI数据的AUDPC值，各变量数据经1至-1标准化处理。箱型图上方的字母表示经Tukey HSD检验确定的基因型间显著性差异组别。

图9 基于主客观数据的灰霉菌株在选定基因型中的致病力比较。(A) 主观评分，(B) 病斑直径，(C) 病斑面积，(D) 病斑比例的敏感性数据。纵轴为综合3DPI与6DPI数据的AUDPC值，各变量数据经1至-1标准化处理。箱型图上方的字母表示经Tukey HSD检验确定的菌株间显著性差异组别。

来源

Rustia D J A, Zerdoner M, Mensink M, et al. Spotibot: Rapid scoring of Botrytis lesions on rose petals using deep learning and mobile computing[J]. Plant Phenomics, 2025: 100029.

https://doi.org/10.1016/j.plaphe.2025.100029

编辑

王永贤

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。