小麦条锈病是威胁全球小麦生产的主要叶部病害。病害严重度是叶片病斑面积占总面积的比例（0-100%），是常用于评估病原体感染程度和植物抗病性的重要表型。传统的目测评估方式耗时费力，易受疲劳影响导致误差和不一致性。因此，亟需开发更准确、高效的评估技术，以减轻研究人员的田间工作负担。

2024年7月， Plant Phenomics 在线发表了武汉理工大学计算机与人工智能学院刘唯真副教授团队、华中农业大学植科院兰彩霞教授团队和吉林农业大学植保学院袁晓辉教授团队联合开展的题为StripeRust-Pocket: A Mobile-Based Deep Learning Application for Efficient Disease Severity Assessment of Wheat Stripe Rust 的研究论文。

该研究推出了StripeRust-Pocket，一款Android移动端APP，用户可在不联网的情况下使用手机或平板拍摄小麦条锈病叶片，现场评估病害严重程度，并将结果整理为Excel格式，通过邮件发送。

图1 StripeRust-Pocket的主要界面。（A）应用程序的启动页面。（B）应用程序的主页面。（C）用户的两个选项。（D）图像显示界面。（E）弹出窗口。（F）单个结果显示界面。（G）结果显示页面。（H）Excel页面。

为了实现病害严重度的精准、高效、离线评测，StripeRust-Pocket集成了研究团队开发的StripeRustNet深度学习算法。该算法采用了平衡轻量化的两阶段分割模型，结合MobileNetV2-DeepLabV3+和ResNet50-DeepLabV3+，实现了叶片和病斑的高效精确分割，并通过分割结果计算病斑与叶片的像素面积比，从而准确评估病害严重度。该算法在算力有限的边缘设备（如手机和平板）上也能高效运行，无需依赖高性能计算资源，适合离线进行病害评估，使StripeRust-Pocket在田间病害管理中具有广泛的应用前景。

图2 StripeRustNet用于量化小麦条锈病病害严重度表型的流程架构。（a）StripeRustNet的整体架构。（b）DeepLabv3+编码器的详细架构。（c）DeepLabv3+解码器的详细架构。

实验结果表明，StripeRustNet模型在叶片分割上实现了98.65%的平均交并比（MIoU），在病斑分割上实现了86.08%的MIoU。能够在复杂背景下对小麦条锈病的叶片图像进行高效分割，并且其自动化量化结果与专家评分的平均相关性超过0.964。

图3 StripeRustNet的可视化结果。（a）原始图像，（b）真实标注，（c）分割结果。

图4 通过100张叶片图像比较三位专家的目测评分与StripeRust-Pocket自动评分在条锈病严重程度上的差异。（a）病害严重程度的分布；（b）成对相关系数的热图；（c）散点图和简单线性回归分析。

StripeRust-Pocket通过结合深度学习算法和移动设备，提供了一种自动化、高效的小麦条锈病严重程度评估工具，显著提升了评估速度和准确性，减少了人工误差和不一致性。这一应用展示了如何将计算机视觉技术成功应用于田间作物病害检测，解决了在实际农业环境中实施精准表型学技术的“最后一公里”问题。

武汉理工大学计算机与人工智能学院刘唯真副教授为论文第一及通讯作者，其他通讯作者包括华中农业大学植科院兰彩霞教授和吉林农业大学袁晓辉教授。本研究得到了国家自然科学基金等项目支持。

StripeRust-Pocket 下载连接：

https://github.com/WeizhenLiuBioinform/StripeRust-Pocket

论文链接：

https://spj.science.org/doi/10.34133/plantphenomics.0201

——推荐阅读——

UAV-Assisted Dynamic Monitoring of Wheat Uniformity toward Yield and Biomass Estimation 

https://doi.org/10.34133/plantphenomics.0191

Plant Phenomics | 南农农学院联合前沿交叉研究院提出基于无人机图像田间小麦生长均匀度的定量化方法

Using UAV-Based Temporal Spectral Indices to Dissect Changes in the Stay-Green Trait in Wheat 

https://doi.org/10.34133/plantphenomics.0171

Plant Phenomics | 西北农林科技大学基于无人机的时序光谱指数解析小麦持绿在育种进程中的选择

加入作者交流群