水稻白叶枯病严重损害了植物正常的生理生化活动，抑制了水稻正常生长发育，造成了巨大的经济损失与粮食安全问题。选育水稻抗白叶枯病品种是一种积极有效且环境友好的病害防控措施，可消除由喷施农药产生的环境污染问题。然而，抗病水稻的选育离不开植物表型特征的获取与分析，传统方法效率低且人为误差大。在获取与分析大批量植物表型数据时，高效且精准的特征处理方法有助于加速抗病育种研究的发展。在本研究中，运用深度学习特征挖掘机理，结合可见近红外光谱，建立了一种可快速筛选水稻白叶枯病抗病品种的方法，为高通量鉴定不同基因型水稻的病害抗性奠定了基础。

　　首先采用可见近红外高光谱成像仪(413-1016nm)采集了感染白叶枯病后不同时间的叶片光谱图像。运用感兴趣区域提取算法与人工标注方法，获取了叶片平均光谱、计算了叶片病斑比例并划定了病害等级。基于深度学习注意力机制与残差结构，建立了一个具有双分支结构的深度学习网络模型，命名为LPnet。该模型既可以预测叶片的病斑比例，又能诊断叶片的染病状态。基于建立可靠的叶片光谱与病斑比例的映射关系，提取了LPnet中注意力模块的权重与对应波段位置并组成了全新的光谱指数ILP。根据光谱指数的简单加和计算结果，对不同基因型水稻在不同染病时间的病害等级和病害抗性进行了快速定性评估。

　　研究结果表明，染病水稻叶片的可见近红外高光谱特征随染病持续时间的增加产生了明显的变化。在可见光区域内染病水稻叶片的光谱反射率逐渐增大。双分支结构的LPnet在验证集上的染病状态评估准确率为92.43%，病斑比例回归R2达到0.96。LPnet的联合决策机制不仅能灵活地满足各种病害等级衡量标准的要求，还保证在判断病害等级时具有良好精度，准确率为89.13%。ILP光谱指标与验证集的水稻白叶枯病病斑比例的皮尔逊相关系数高达0.97，超越了众多经典光谱指标。并且病斑比例与ILP光谱指标随染病时间变化具有相似的数值变化规律，表现出ILP对衡量白叶枯病病斑发展的有效性。在从染病后第20天起，抗病水稻与感病水稻的光谱指标评估等级开始出现明显的差异。该研究为利用深度学习算法深入挖掘叶片可见近红外光谱特征提供了一种全新的思路。

　　图1本研究的数据分析流程图

　　图2 本研究中双分支LPnet的结构及其相应参数(a)LPnet的结构;(b)ResNet块的结构

　　图3 染病后不同时间的水稻叶片平均光谱(a)(c)(e)分别为3A26、4A37、IR24的染病组;(b)(d)(f)分别为3A26、4A37、IR24的健康组

　　图4 LPnet的病斑回归分支结果(a)训练集结果;(b)测试集结果

　　图5 基于真实病斑比例(a)和光谱指标ILP(b)的病害严重程度估计图

　　来源：Zhang J, Feng X, Wu Q, et al. Rice bacterial blight resistant cultivar selection based on visible/near-infrared spectrum and deep learning[J]. Plant Methods, 2022, 18(1): 1-16.

　　编辑：张金诺