赤霉病(Fusarium head blight, FHB)是小麦中最具破坏性的病害之一。赤霉病主要由产真菌毒素的小麦镰刀菌(Fusarium graminearum)引起，导致小麦大面积减产和脱氧雪腐镰刀醇(deoxynivalenol, DON)污染。

赤霉病损伤籽粒(Fusarium-damaged kernels,FDKs)的表型是对DON积累抗性的最有效估计，而不需要进行昂贵和耗时的实验室分析。然而，对于观察者来说，手动对FDK进行表型分析是非常繁琐和主观的。本研究开发并测试了一种开放获取、易于使用和有效的方法，使用能够分析手机摄像头图像的神经网络对FDK进行表型分析。利用训练神经网络对FDK数据进行定量遗传分析，该性状的广义遗传力为0.48，与DON的表型和遗传相关性分别为0.41和0.58。

为了确定神经网络衍生的FDK数据是否在现代育种场景中有用，将其包括在多性状基因组选择(genomic selection, GS)模型中，并评估该模型预测DON的能力。在GS模型训练期间，在测试集中包括我们训练的神经网络生成的FDK数据，GS精度提高了一倍以上，但使用传统的FDK数据获得了最高的精度。虽然还需要进一步的训练来提高神经网络的能力，但初步测试显示了令人鼓舞的结果，并证明了为FDK提供自动化和客观的表型方法的可能性，可以广泛部署以支持FHB抗性育种工作。

图1 目标检测的演化过程:(A)图像分类;(二)目标定位;(C)语义分割;(D)实例分割。

图2 (A)用于训练Mask R-CNN(基于区域的卷积神经网络)的训练集，以及训练基因组选择模型。为了训练Mask R-CNN，内核被手动标记为患病(蓝色边界)或健康(金色边界)，创建FDKL数据集。接下来，将49张图像的子集指定为验证集，并调整Mask R-CNN超参数，以最大限度地提高神经网络预测验证集中标签的能力。(B) 测试集由新育种系的新样本组成，经过训练的Mask R-CNN在这些样本上进行测试，以预测籽粒的患病(蓝色边界)或健康(红色边界)状态，创造了FDKLˆ数据集。此外，该集合被用作测试集，以确定脱氧雪腐镰刀菌醇(deoxynivalenol，DON)的基因组选择(genomic selection，GS)准确性。FDK，镰刀菌损伤籽粒。

图3 (A)训练损失曲线和(B) 0.5交并比(intersection-over-union，IoU)阈值下的平均精度曲线。

图4 来自神经网络的预测值与标记图像的实际值之间的Pearson相关性(r) (A)籽粒数和(B) FDKL(49张图像指定为验证集)。

图5 （A）FDKV与训练集DON之间、（B）FDKV与测试集DON之间、（C）FDKL与训练集DON之间、（D）FDKLˆ与测试集DON之间的皮尔逊相关性(r)

图6 (A)训练集中脱氧雪腐镰刀醇(DON)、FDKL和FDKV的基因组遗传力和广义遗传力;(B)测试集中DON、FDKLˆ和FDKV的基因组遗传力。