量化感知训练_利用基于R图像分析方法量化多年生黑麦草锈病

点击蓝色字免费订阅，每天收到这样的好资讯

本文通过对田间黑麦草间隔采集的数字图像锈斑数量和面积进行量化，开发了一种基于ImageJ和R技术的新型开源系统，植物表型资讯介绍如下：

冠锈病和杆锈病是多年生黑麦草(Lolium perenne L.)的主要病害。育种学家和病理学家经常使用改良的Cobb量表评估田间黑麦草锈病严重程度，但该方法存在主观性且劳动密集。本文通过对田间黑麦草间隔采集的数字图像锈斑数量和面积进行量化，开发了一种基于ImageJ和R技术的新型开源系统。

图像分析管道的图解描述

该系统利用随机森林和降噪空间处理技术开发像素识别预测的训练数据。针对不同复杂程度植株图像包括全植株样本(WP)、五叶样本(FL)以及单叶样本(SL)，分别利用人工视觉评级和计算机视觉评级对其锈病严重程度进行评估。计算机视觉评级通过SL鉴定计算机精度，通过FL量化WP严重程度；而人工视觉评级中，评估人员由9名拥有不同程度锈病评级经验的科学家组成，具有一定的代表性。

评估冠锈病和杆锈病的变异性

结果显示，在人工视觉评级中，评估人员针对给定图像冠锈病严重程度的感知一致，但对严重程度值的一致性却较低；针对杆锈病严重程度一致性较低，FL与WP无明显相关(r = 0.36, P = 0.03)，综上可以得出人工视觉评级的准确性较低。而计算机视觉评级中，本文所提出的计算机处理管道能够准确鉴别、计数和定量冠部、茎杆等叶片样本的锈斑。针对所有图像冠锈病，计算机评级与人工视觉评级中值的相关性均极好(r > 0.90, P < 0.001)；针对杆锈病，与人为评估结果相似，计算机视觉评估WP与FL之间缺乏相关性(r = 0.20，不显著)，表明该技术仅限于叶片或茎杆锈病，不适用于WP。然而，本文所提出计算机视觉评级方法仍然有希望取代人为视觉评级，应用于WP冠锈病的研究。

 验证单叶样本(SL)图像的计算机精度

 来源：

Heineck G C., McNishb I G., Jungers J M.,et al. Using R-Based Image Analysis to Quantify Rusts on Perennial Ryegrass. The Plant Phenome Journal. doi:10.2135/tppj2018.12.0010.

扩展阅读：

植物表型资讯两周年目录汇总

植物表型资讯2019年1-7月目录汇总