水稻白葉枯病（BB）對水稻產(chǎn)量和品質(zhì)產(chǎn)生嚴重危害，造成巨大的經(jīng)濟損失和食品安全問題。培育抗病品種抑制病原菌的繁殖成為調(diào)控其爆發(fā)的最生態(tài)、最有效的選擇。然而，水稻白葉枯病抗性品種選擇存在巨大的人工成本、低效率和主觀人為錯誤等問題。而對于動態(tài)水稻白葉枯病表型研究缺乏探索不同基因型白葉枯病生長規(guī)律的研究。


本文為減輕植物育種專家在抗病品種篩選處理中的勞動負擔(dān)，探索抗病表型變異模式，對三個品種水稻葉片的可見/近紅外（VIS-NIR）高光譜圖像進行了采集，并將其送入自建的深度學(xué)習(xí)模型 LPnet 中進行疾病嚴重程度評估。充分揭示了時間尺度下BB病灶的生長狀況。借助 LPnet 內(nèi)部的注意力機制，進一步提取與病變比例相關(guān)的信息量最大的光譜特征，并將其組合成一個新穎、精煉的葉片光譜指數(shù)。通過鑒定抗病品種、評估抗病能力和光譜圖像可視化，驗證了所提出的波長組合的有效性和可行性。

已建立的二分支LPnet的原理圖結(jié)構(gòu)及對應(yīng)參數(shù)。 a LPnet 的完整組成； b ResNet 塊的詳細結(jié)構(gòu)

這項研究表明，信息豐富的可見光/近紅外光譜與深度學(xué)習(xí)注意力機制相結(jié)合，不僅具有直接評估疾病嚴重程度的巨大潛力，而且還可以挖掘光譜特征以在高通量表型分析中快速篩選抗病品種。

來源：Plant Methods.Rice bacterial blight resistant cultivar selection based on visible/near-infrared spectrum and deep learning.Jinnuo Zhang, Xuping Feng, Qingguan Wu, Guofeng Yang, Mingzhu Tao, Yong Yang & Yong He
https://plantmethods.biomedcentral.com/articles/10.1186/s13007-022-00882-2