遗传资源的表型分析是育种计划和选择抗病品种的重要前提。计算机视觉技术已被证明是疾病数字表型分析的有用工具。在欧洲，越来越多地观察到一种由Diplocarpon coronariae引起的病原体——苹果斑点病。在本研究中，建立了一种高通量表型分析方法，以评估遗传苹果资源对D. coronariae的易感性。为此，在实验室进行了D. coronariae的接种试验，并在接种后第7天、第9天和第13天拍摄了受感染叶片的图像。选择了一个预训练的YOLOv5s模型，并使用927张RGB图像的数据集对模型进行了训练。这些图像的大小为768 × 768像素，分为738张带标注的训练图像、78张验证图像和111张无症状背景图像。训练模型的症状预测准确率为95%。这些结果表明，我们的模型可以准确高效地检测到离体苹果叶片上的小黑点。因此，目标检测可用于离体叶片测定的数字表型分析，以评估实验室中D. coronariae的易感性。

图1 预训练YOLOv5s和YOLOv8s模型的训练过程示意图。从dataset_2023中选取包含小黑点的叶片未裁剪图像的区域，并裁剪为768 × 768像素的图像部分。带标注的图像和无症状的背景图像被用于训练预训练的YOLOv5s和YOLOv8s模型。经过调整的YOLOv5s模型用于检测dataset_2022未裁剪图像中的小黑点。

图2 YOLOv5s训练过程中的评估参数（共100个epoch）。评估了训练集和验证集中的以下误差：train/box_loss和val/box_loss——边界框回归损失，train/obj_loss和val/obj_loss——目标存在的置信度，train/cls_loss和val/cls_loss——分类损失（交叉熵）。计算了以下检测准确性指标：precision——衡量边界框预测的准确程度，recall——衡量正确预测的真实边界框的比例，mAP_0.5——在IoU阈值为0.5时的平均精度，mAP_0.5:0.95——在不同IoU阈值（从0.5到0.95）下的平均mAP。

图3 表示D. coronariae小黑点数量的手动计数（spots_hand）与模型计数（spots_KI）之间的Spearman等级相关系数的散点图。R：Spearman等级相关系数，p：显著性水平。