世界许多地区，小麦极易受到赤霉病(FHB)的危害，造成严重产量和质量损失。培育抗病品种是减轻该病破坏性影响的一种手段，但育种过程需要评估数百个品系对该病的反应。现存田间评估方法费时、费力、成本高，且容易出现评分错误。因此，能够快速捕获小麦麦穗及其FHB感染水平的表型分析，将大大有利于小麦育种计划。本研究中，遮罩区域卷积神经网络(Mask-RCNN)可以可靠地识别麦穗症状部位和病害严重程度。

目标图像手工标注实例

小麦赤霉病(Fusarium head blight，FHB)的mask-region卷积神经网络(mask-RCNN)诊断方法

FHB病害严重程度评估方法流程图

在田间种植的小麦品系中，对单个小麦穗及其相应病区的彩色图像进行标记并分割成子图像。以带注释的穗粒图像和带病区标记的单株穗粒子图像为地面真值数据，分别训练Mask-RCNN模型用于小麦穗粒和FHB病区的自动图像分割。基于ResNet-101网络的特征金字塔网络(FPN)作为Mask-RCNN的主干，用于构造特征金字塔和提取特征。从全尺寸图像生成小麦穗的掩模图像后，使用Mask-RCNN对每个穗子的患病区域进行预测。该方法能快速识别小麦穗部和病区，检出率分别为77.76%和98.81%。通过计算小麦FHB严重度预测值与地面真值的比值，准确率达77.19%。本研究证明了快速测定小麦穗中FHB含量的可行性，这将大大促进抗病品种的选育。

三种复杂条件下小麦穗粒正确检测实例分割

选定小麦穗的实例分割结果(红色矩形)

(Ⅱ)病区检测和(Ⅲ)由(Ⅰ)试验小麦单株穗粒分割结果的说明

来源：

Su W, ajing Zhang J, Yang, et al C. Automatic Evaluation of Wheat Resistance to Fusarium Head Blight Using Dual Mask-RCNN Deep Learning Frameworks in Computer Vision. Remote Sens. 2021, 13(1), 26; https://doi.org/10.3390/rs13010026.