赤霉病是小麦最普遍的病害之一，赤霉病表型的高效鉴定对加速抗性育种至关重要，但目前使用的方法费时、费力且成本高。

本文构建了一种使用RGB图像进行赤霉病严重程度估计的非侵入式分类模型，无需进行复杂的预处理过程。该模型可利用经济型、低成本的RGB相机拍摄的图像，将赤霉病严重程度分为六个有序等级。此外，本文将预先训练好的EfficientNet （size b0）重新设计为回归模型，利用包括来自3个不同年份( 2020年、2021年、2022年)的约3000张图像的数据集（包括独立评级机构对每张图像的两个赤霉病严重程度评估）进行模型的适应性验证。结果显示，κ值明显低于算法-图像分级，如2020年获取的数据分别为0.68和0.76。该模型在使用多个年份的数据进行训练并在独立年份的数据上进行测试时表现出泛化效果。因此，使用2020年和2021年的影像进行训练，2022年进行测试，与仅在单年数据上训练的最佳网络相比，Fw1得分提高了0. 14，准确率提高了0.11，κ值提高了0.12，RMSE降低了0.5。

本研究表明，训练数据和测试数据之间的数量、评分质量和相似性对于模型更好的泛化至关重要。因此，模型可以用已有的或新的数据集以类似的方式进行扩展和改进。本研究提出的轻量级模型和方法可以应用于移动设备，利用低成本的RGB相机图像自动客观地评估赤霉病的严重程度。

图1. 赤霉病严重程度从左到右递增的数据集示例

图2. 对EfficientNet - b0网络的训练过程以及将验证和测试数据应用于网络的数据转换

 图3. I 1 vs. I 2 ( a )和I 1 vs. N I 1 ( b )，均来自数据D20。Y轴为I 1

表1.赤霉病严重度的评级注释注： I=图像评级。

表2. 评级和算法网络的精确率p、召回率r、Fw1得分和准确率( Acc )评价结果

表3. 分级和算法网络的RMSE、κ评价结果

表4. 在全新数据集的网络性能评估

表5. 根据均方根误差和κ 来评估算法网络在全新数据集的表现