水稻白叶枯病（BB）对水稻产量和品质产生严重危害，造成巨大的经济损失和食品安全问题。培育抗病品种抑制病原菌的繁殖成为调控其爆发的最生态、最有效的选择。然而，水稻白叶枯病抗性品种选择存在巨大的人工成本、低效率和主观人为错误等问题。而对于动态水稻白叶枯病表型研究缺乏探索不同基因型白叶枯病生长规律的研究。


本文为减轻植物育种专家在抗病品种筛选处理中的劳动负担，探索抗病表型变异模式，对三个品种水稻叶片的可见/近红外（VIS-NIR）高光谱图像进行了采集，并将其送入自建的深度学习模型 LPnet 中进行疾病严重程度评估。充分揭示了时间尺度下BB病灶的生长状况。借助 LPnet 内部的注意力机制，进一步提取与病变比例相关的信息量最大的光谱特征，并将其组合成一个新颖、精炼的叶片光谱指数。通过鉴定抗病品种、评估抗病能力和光谱图像可视化，验证了所提出的波长组合的有效性和可行性。

已建立的二分支LPnet的原理图结构及对应参数。 a LPnet 的完整组成； b ResNet 块的详细结构

这项研究表明，信息丰富的可见光/近红外光谱与深度学习注意力机制相结合，不仅具有直接评估疾病严重程度的巨大潜力，而且还可以挖掘光谱特征以在高通量表型分析中快速筛选抗病品种。

来源：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