由真菌病原体禾谷镰刀菌（Fusarium graminearum, Fg）引起的小麦（Triticum aestivum L.）镰刀菌头枯病（FHB）会产生霉菌毒素脱氧雪腐镰刀菌烯醇，导致谷物产量和品质下降。传统的FHB抗性评估方法依赖人工评定发病率（受感染的小麦头/穗百分比）和严重程度（受感染的小穗百分比），既耗时又容易出现人为误差。本研究提出了一种基于深度学习模型和光谱指数的快速FHB严重程度分析方法。该方法首先使用目标检测模型在边界框内定位小麦穗，然后利用Meta的任何事物分割模型（Segment Anything Model）对小麦穗进行分割。研究采用了2576张在控制环境中用Fg点接种的小麦穗图像，利用红色和绿色波段开发了一个光谱指数，以区分健康组织和感染组织，并估算疾病严重程度。通过对分割掩膜内的像素进行分层随机抽样，模型以87.8%的准确率将像素分类为健康或感染状态。线性回归分析显示，该光谱指数与视觉严重度评分之间存在显著相关性（R² = 0.83, p < 2e-16）。此外，该工作流程还应用于包含不同品种和光照条件的外部数据集中的感染小麦穗地块图像，以评估模型的可转移性，结果显示预测准确率为85.8%。这些方法能够快速估算FHB严重程度，从而提高抗病性选择效率或估算病害胁迫以便进行有效管理。

图1 单个小麦穗展示出严重的小麦赤霉病（FHB）感染（左上图），通过穗内的漂白组织可以看出。将该图像输入You Only Look Once版本8（YOLOv8）目标检测模型，并结合Segment Anything Model（SAM）（右上图）将小麦穗与背景分割开来。然后对分割后的穗应用光谱指数，以将感染组织与健康组织分离开来（左下图）。接着制作了一个直方图，并发现阈值为0.49的鞍点，如图中的垂直线所示，可以将健康组织（线左侧）和感染组织（线右侧）分开（右下图）。

图2 使用YOLOv8实例分割模型对一个显示镰刀菌穗腐病（FHB）感染的小麦穗（左图）进行了处理，以分割健康组织和受感染组织（右图）。

图3 一个显示镰刀菌穗腐病（FHB）感染的小麦地块（左上图）通过小麦穗检测模型与任意分割模型（SAM）结合（右上图）处理，以从背景中分割出小麦穗。对分割出的小麦穗应用了光谱指数，以区分受感染组织和健康组织（左下图）。然后绘制了直方图，并在阈值0.49处（由垂直线表示）发现一个鞍点，将健康组织（线左侧）和受感染组织（线右侧）分开（右下图）。

图4 描述将深度学习与光谱指数结合以估算小麦镰刀菌穗腐病（FHB）严重程度的流程图。数字表示主要步骤，而颜色区分不同数据集的使用。

图5 一个混淆矩阵显示了在感染镰刀菌穗腐病（FHB）的单个小麦穗分割掩码内进行分层随机采样像素的结果。预测结果来自应用于归一化红绿比的阈值，用于区分健康组织和感染组织，而观察结果来自手动分类像素为健康或感染。

图6 散点图显示了通过阈值化光谱指数得出的单个小麦穗上的镰刀菌穗腐病（FHB）严重程度估计与实例分割模型估计的关系。显著性水平为 p < 0.001。

图7 散点图显示了通过阈值化光谱指数得出的单个小麦穗上的镰刀菌穗腐病（FHB）严重程度估计与通过目测评分得出的结果之间的关系。显著性水平为 p < 0.001。

图8 混淆矩阵显示了在一块感染了小麦镰刀菌穗腐病（FHB）的地块的分割掩模中进行分层随机采样像素的结果。预测结果来自应用于归一化红绿比的阈值，用于区分健康组织和感染组织，而观察结果来自手动分类像素为健康或感染。

图9 直方图显示了在使用光谱指数阈值来评估小麦镰刀菌穗腐病（FHB）严重程度时，相机设置对结果的影响。在固定增益和曝光条件下（左图），可以清楚看到一个鞍点；而在自动相机设置条件下（右图），这个鞍点则不可见。