2019年8月，Plant Phenomics刊發了由來自美國倫斯勒理工學院（Rensselaer Polytechnic Institute）、美國農業部農業研究中心（USDA-ARS）、康奈爾大學的Andrew Bierman等人撰寫的題為High-Throughput Phenotyping System Using Machine Vision to Quantify Severity of Grapevine Powdery Mildew的研究論文，介紹了一種利用機器視覺量化葡萄白粉病嚴重程度的高通量表型系統。USDA-ARS/康奈爾大學的Lance Cadle-Davidson教授為本文通訊作者。

葡萄白粉病對基于成像的表型分析系統提出了特殊的挑戰。本研究在之前開發的低通量、定量的顯微鏡方法（用于數千個葡萄葉盤樣品的白粉菌表型抗性的遺傳分析）的基礎上開發了針對葉盤上白粉病嚴重程度的自動成像和分析方法。該系統將一個4600萬像素的CMOS傳感器相機與一個可提供3.5倍放大、X-Y樣本定位和Z軸調焦的長工作距離鏡頭配對，在13.5-26秒的時間內，以3-10張聚焦疊加圖像的形式捕捉了直徑為1厘米的葉盤的78%的區域。每個圖像像素代表葉盤的1.44 µm2。使用基于GoogLeNet的卷積神經網絡（CNN）檢測每個葉盤（約800幅子圖像）是否存在白粉菌菌絲作為嚴重程度的評估，訓練驗證精度為94.3%。對于一個獨立的圖像集，CNN與人類專家的一致性為89.3%-91.7%。

Assembled system for image capture.

這種實時成像方法是非破壞性的，并且重復測量感染的時間過程顯示出了易感，中性和抗性樣品之間的差異。該系統每天處理超過1000個樣品，具有良好的準確性，可以評估葡萄對白粉菌的宿主抗性，化學或生物學功效及其他表型反應。此外，新的CNNs可以很容易地在不同病理系統中進行表型分析，或用于分析適合葉圓片的各種性狀。

How to Cite this Article

Andrew Bierman, Tim LaPlumm, Lance Cadle-Davidson, et al., “A High-Throughput Phenotyping System Using Machine Vision to Quantify Severity of Grapevine Powdery Mildew,” Plant Phenomics, vol. 2019, Article ID 9209727, 13 pages, 2019.

Latest Articles

Jobs | 南京農業大學作物表型分析團隊博士后、博士職位

Conference | 第6屆國際植物表型大會開放注冊

Report | 園藝植物表型組學研究進展

Article | 利用表型組學輔助篩選技術開發高效植物育種表型預測因子

Article | 基于深度學習的識別田間條件下小麥的穗區域的表型分析方法

Article | 來陣風，就知道！一種植物無損快速振動表型分析方法

Article | 一種用于高粱頭狀花序檢測和計數的弱監督深度學習框架

Article | 用于估計穗密度和地上生物量的莖特征高通量測量方法

Article | 新方法！預測蕓薹屬植物花期耐熱抗旱性的無損表型測量方法

Article | 將FAIR原理應用于GnpIS植物表型數據管理

Article | instaGraminoid，一種評估除草劑抗性的新型比色法

Article | 利用高通量表型技術探索三種植物種類對真菌菌根和鋅的生長反應

Article | 如何利用卷積神經網絡診斷植物病害 

Perspective | 植物表型：過去、現在和未來

Editorial | 植物表型組學：一種新興的跨學科科學

About Plant Phenomics

《植物表型組學》（Plant Phenomics）是由南京農業大學和美國科學促進會（AAAS）合作創辦的英文學術期刊，于2019年1月正式上線發行，是Science合作出版的第二本期刊。采用開放獲取形式，刊載植物表型組學交叉學科熱點領域具有突破性科研進展的原創性研究論文、綜述、數據集和觀點。具體范圍涵蓋高通量表型分析的最新技術，基于圖像分析和機器學習的表型分析研究，提取表型信息的新算法，作物栽培、植物育種和農業實踐中的表型組學新應用，與植物表型相結合的分子生物學、植物生理學、統計學、作物模型和其他組學研究，表型組學相關的植物生物學等。2019年8月，已正式被DOAJ數據庫收錄。

翻譯：孫港 

編輯：孔敏 

審核：尹歡、陳文珠