花生是世界范围内重要的一年生豆类植物，番茄斑萎病病毒(TSWV)可能导致花生(Arachis hypogaea L.)严重减产。培育抗病品种是防治TSWV病害最有效的途径。但是，建立准确、可重复和高效的抗病性评价方法是抗病育种面临的关键挑战之一。为了应对这一挑战，本文开发了一种对花生试验田的病害症状空间分布进行量化的高通量田间评估系统，该系统由实时动态全球定位系统(RTK-GPS)、消费者级相机、微控制器和开源机器学习软件组成。

用于训练系统检测番茄斑点枯萎病病毒(TSWV)症状(a)发育和斑点(b)黄萎病和(c)无症状花生的图像(224x224像素)的示例

番茄斑萎病田间试验(正射影像)，地块ID(黑色文字)和 位置坐标(蓝线)

研究人员设计了一个田间试验，模拟一系列病害发生率和严重程度的场景。为了开发和验证该工具，对该田间试验进行了两个季度的成像。首先，利用转移学习，从有监督训练图像训练现有卷积神经网络(CNN)，将小区图像中的区域分类和量化为症状、无症状或地面。然后，通过机器学习模型对多幅图像进行评估，并使用RTK-GPS数据对单个试验地块进行地理参考。通过接收器工作特征(ROC)曲线分析，对训练用于检测“发育迟缓和斑点”症状的CNN模型进行评估，得出测试集的曲线下面积(AUC)为0.97，敏感性为0.77，特异性为0.98。将病害评估工具的结果与经过培训的植物病理学家进行的视觉病害评估的结果进行了比较，两者具有相关性(r=0.78;P<0.0001)。为了进一步验证基于CNN的方法，TSWV田间试验采用线性混合模型进行分析，并以视觉严重性和基于CNN的严重性评估作为反应。结果得出，两种模型(基于视觉或基于CNN的评估)得到了相同的主要效果。综上所述，这项研究的结果证明了该工具在田间条件下成功地用于花生高通量病害严重性评估。

将CNN模型结果的接收器工作特征(ROC)曲线与经病理学家验证的图像进行比较

来源：

Clohessy J, Sanjel S, O'Brien G, et al. Development of a high-throughput plant disease symptom severity assessment tool using machine learning image analysis and integrated geolocation. Computers and Electronics in Agriculture. https://doi.org/10.1016/j.compag.2021.106089.