伊利诺伊大学的一个新项目正在使用先进的物体识别技术将受毒素污染的麦粒排除在食品供应之外，并帮助研究人员使小麦更能抵抗作物的头号克星赤霉病或赤霉病。

“镰刀菌赤霉病给小麦造成大量经济损失，相关毒素脱氧雪腐镰刀菌烯醇(DON)会对人类和动物健康造成影响。这种疾病对美国东部种植小麦的人来说是一个很大的威慑力，因为他们可能种出非常好的作物，然后把它带到电梯里，结果却让它停靠或被拒绝。这对人们来说是痛苦的。因此，尽可能增加抵抗力和降低呕吐毒素风险是当务之急，”杰西卡说Rutkoski，伊利诺伊州农业、消费者和环境科学学院(ACES)作物科学系助理教授。Rutkoski是PlantPhenomeJournal新论文的合著者。

传统上，提高对任何作物病害的抵抗力意味着培育大量的作物基因型，用疾病感染它们，并寻找症状。这个过程在植物育种中被称为表型分析，当它识别出不出现症状或不太严重的症状的抗性基因型时，它就成功了。当这种情况发生时，研究人员会尝试识别与抗病性相关的基因，然后将这些基因植入作物的高性能杂交种中。

这是一个漫长、重复的过程，但Rutkoski希望可以加快一步——疾病症状的表型分析。她向农业与生物工程系(ABE)博士生AI专家JunzheWu以及ABE和计算机科学系(CS)副教授GirishChowdhary寻求帮助。ABE是ACES和Grainger工程学院的一部分，该学院还设有CS。

“我们想测试我们是否可以使用简单的谷物手机图像来量化内核损坏。通常，我们会看一个培养皿中的内核，然后给它一个主观评级。这是非常令人麻木的工作。你必须有专门的人受过训练，它缓慢、困难且主观。一个可以自动对谷粒损伤进行评分的系统似乎是可行的，因为症状非常明显，”Rutkoski说。

(A)用于训练MaskR-CNN(基于区域的卷积神经网络)以及训练基因组选择模型的训练集。对于MaskR-CNN的训练，内核被手动标记为患病(蓝色边界)或健康(金色边界)，创建FDKL数据集。接下来，将49张图像的子集指定为验证集，并调整MaskR-CNN超参数以最大化神经网络预测验证集中标签的能力。(B)测试集由新育种系的新样本组成，经过训练的MaskR-CNN在其上进行了测试，以预测籽粒的患病(蓝色边界)或健康(红色边界)状态，从而创建FDKL数据集。此外，该组用作测试组以确定脱氧雪腐镰刀菌烯醇(DON)的基因组选择(GS)准确性。FDK，镰刀菌损坏的内核。图片来源：植物现象学杂志(2023)。DOI：10.1002/ppj2.20065

吴和乔杜里同意这是可能的。他们从类似于科技巨头用于对象检测和分类的算法开始。但是，从手机图像中辨别出患病和健康小麦籽粒的微小差异需要Wu和Chowdhary进一步推进这项技术。

“这一进步的一个独特之处在于，我们训练了我们的网络，仅使用几张图像就能以足够好的精度检测微小的损坏内核。我们通过细致的数据预处理、迁移学习和标记活动的引导使这成为可能”乔杜里说。“这是机器学习和人工智能在农业和社会领域的又一次胜利。”

他补充说：“该项目建立在AIFARMS国家人工智能研究所和伊利诺伊州数字农业中心的基础上，以利用人工智能在农业中的优势。”

成功检测到镰刀菌的损害——小的、干瘪的、灰色的或白垩色的谷粒——意味着该技术还可以预测谷物的毒素含量;外部损伤迹象越多，DON含量就越大。

当团队单独测试机器学习技术时，它能够比疾病症状的田间评级更好地预测呕吐毒素水平，而育种者通常依靠这种方法而不是内核表型来节省时间和资源。但是，与人类在实验室中对玉米粒的疾病损害进行评级相比，该技术的准确率仅为60%。

不过，研究人员仍然受到鼓舞，因为他们的初始测试没有使用大量样本来训练模型。他们目前正在添加样本，并希望通过额外的调整获得更高的准确性。

“虽然需要进一步的培训来提高我们模型的能力，但初步测试显示了有希望的结果，并证明了为镰刀菌受损的谷粒提供自动化和客观的表型分析方法的可能性，这种方法可以广泛部署以支持抗性育种工作，”Wu说。

Rutkoski说，最终目标是创建一个在线门户网站，像她这样的育种者可以上传小麦粒的手机照片，以自动对镰刀菌损害进行评分。

“像这样的工具可以在实验室中节省数周的时间，而当您尝试分析数据和准备下一次试验时，这段时间至关重要。最终，我们可以为流程带来的效率越高，我们的速度就越快可以将抵抗力提高到可以消除结痂问题的程度，”她说。