选择性植物育种，或称植物选择或植物改良，是人类通过改变和创造新植物物种的过程。所选择的特性可以包括对未来几年可能出现的生物和非生物胁迫的抗性、早春发芽以在夏季混乱结束前收获的能力、以及营养和环境价值。然而，培育一个新品种是一个漫长的过程，可能需要长达10年。为加快这一过程，有一种名为育种和预育种的方法，旨在对大量候选品种进行快速测试，筛选出最有前景的品种。此类实验可以在受控条件下进行，以模拟气候情景或胁迫条件。在育种和预育种的背景下，成像技术和机器学习因其并行处理能力，可以显著加速这些测试。植物育种的主要标准之一是抗病性，病原体会导致严重的产量损失，并促使大量使用农药。植物病理学是品种选择的关键环节，旨在通过引入或保留抗性基因来提高生产出的植物品种的抗病能力。植物对病原体的敏感性和抗性反应多种多样，本文聚焦于高敏反应。这种局部防御机制通过破坏感染部位的细胞，限制病原体向整株植物扩散。

2024年7月，Plant Phenomics在线发表了法国LARIS等发表的题为Affordable Phenotyping at the Edge for High-Throughput Detection of Hypersensitive Reaction Involving Cotyledon Loss的研究论文。

本文探讨了使用低成本深度成像传感器来自动化植物病理学测试。对辣椒品种的抗性测试在封闭的温室中进行，生长环境初始保持无病原体，随后引入待测的病原体（图1）。研究了空间演变，以通过涉及子叶丧失的高敏反应来区分植物抗性。通过高帧率和批量植物操作协议，弥补了深度相机低空间分辨率的不足。尽管植物密度较高，但当子叶丧失发生时，仍然观察到了深度的空间下降。

为了确认所提取的特征在批量规模下有效检测子叶丢失反应的能力，进行了统计测试（图7）。为了测试特征的重要性，采用Kolmogorov-Smirnov检验来测试特征的显著性。研究表明，除了绝对振幅与高度信号和起始与体积信号的特征外，所有特征在5 %水平上都是显著的。该测试展示了特征空间在批次尺度上检测子叶缺失反应的整体能力。

本研究引入了一个小型、简洁的时空特征空间，证明该特征空间包含足够的信息，能够以97%的准确率自动区分抗性植物（子叶丧失）和易感植物（子叶未丧失），且速度比人工注释快30倍。该方法的稳健性——包括批次中植物密度及可能存在的内部批次不同步情况——在各种环境下对数百个辣椒品种进行了成功评估。

图1 左侧为密封箱，内部包含一台微型计算机和一台RGB-深度相机

图7 抗性和易感植物批次特征的分布

关于该方法可推广性的研究表明，该技术还可应用于其他病原系统，甚至可用于区分混合抗性和易感性植物（即，抗性和易感性植物混合的中间状态）。开发的成像系统结合特征提取方法和分类模型，提供了一个完整的流程，在吞吐量和成本效益上远超现有技术。该系统不仅可作为决策支持工具部署，还兼容独立技术，能在边缘设备上实时完成计算。

论文链接：

https://doi.org/10.34133/plantphenomics.0204

——推荐阅读——

A multi-target regression method to predict element concentrations in tomato leaves using hyperspectral imaging 

‍https://doi.org/10.34133/plantphenomics.0146‍

Plant Phenomics | 东京大学利用高光谱图像预测番茄叶片中元素含量的多目标回归方法

Rice Plant Counting, Locating and Sizing Method Base on High-throughput UAV RGB Images 

https://doi.org/10.34133/plantphenomics.0020

Plant Phenomics | 基于高通量无人机RGB图像的水稻植株计数、定位和大小估计方法