客观和标准化的表型分析是现代作物育种与制作遗传图谱的关键手段之一。数量性状基因位点QTL分析与全基因组关联研究GWAS均依赖于精确的基因与表型数据。然而，在育种研究中，仅利用视觉评估病害严重程度依旧常见。为了减小人为误差，通常情况下会设计多样本重复以及多实验重复。在研究全新的抗病资源时，为了探究宿主与病原菌的互作机理，筛选来自不同染病阶段不同菌株的致病菌是必要的。所以，无论是从实验设计还是实验内容角度出发，人工获取作物表型都是一项十分耗时耗力的工作。在葡萄栽培中，培育抗霜霉病品种有利于减少葡萄霜霉病带来的产量损失。本文基于浅层卷积神经网络算法，设计了一套针对染病葡萄叶盘的高通量病害严重程度自动打分系统。

　　研究选择了两种杂交品种的F1子代个体作为接种实验与图像采集实验的样本。取每株第三叶位与第四叶位的叶片并通过穿孔器订入直径为1cm的叶盘中。通过向3/4的叶盘内滴入致病菌悬浮液进行接种。病害严重程度通过人工观测致病孢子囊在叶盘上的密度进行了定性评估，并分为9个不同等级。在浅层卷积神经网络训练时，每张叶盘图像被划分成506个小区并进行单独分类(背景、叶片、孢囊梗)。该功能分别由两种二元浅层神经网络完成，第一个区分叶盘与背景，第二个鉴别孢囊梗的有无。最终通过拼接染病叶盘小区图像绘制了霜霉病在整体叶盘图像的分布，计算了对应叶盘面积的比例。该研究所有的代码均公开发表在了Github上 (https://www.github.com/Daniel-Ze/Leaf-disc-scoring)。

　　通过分析研究结果可知，在每张图片的不同分类小区中，利用浅层卷积神经网络分类的真阳性率在89~99%之间。在致病菌面积占比的评估中，该方法得到的结果与专家标注的结果的相关系数达到了0.92，与标定的OIV452-1类别的相关系数达到了0.96。总之，利用浅层卷积神经网络完全可以满足研究者对叶盘图像分类以及病害严重程度评估的精度要求。该研究的自动化图像获取与处理方法流程为作物病害等级自动化评分提供了新思路。

　　图1两种浅层卷积神经网络的分类流程示意图

　　图2不同评估标准(分类、致病菌面积占比、OIV类别)下的浅层神经网络结果示意图

　　图3自动化叶盘病害等级打分结果示意图(A：具有致病菌的小区图像与其他小区图像的拼接图;B:病区图像面积在叶盘图像面积的占比;C：详细的统计信息表)

　　来源：Zendler D, Malagol N, Schwandner A, Töpfer R, Hausmann L, Zyprian E. High-Throughput Phenotyping of Leaf Discs Infected with Grapevine Downy Mildew Using Shallow Convolutional Neural Networks. Agronomy. 2021; 11(9):1768. https://doi.org/10.3390/agronomy11091768.

　　编辑：张金诺