小麦作物的产量受库强度(粒数和养分吸收能力)和源容量(光合组织效率)的影响。虽然库限制已被广泛报道，但小麦斑枯病(STB)等疾病造成的来源限制也会影响产量，主要是在花后、籽粒灌浆期间。

新的小麦产量分析方法将疾病影响与自然衰老分开

当前的挑战包括区分疾病与自然衰老对冠层绿色的影响。传感器技术和图像分析(例如深度学习)的进步提供了潜在的解决方案，但在创建准确的训练数据和区分树冠特征随时间的微小变化方面存在困难。

目前的主要研究重点是开发精确的方法，利用先进的传感器技术来区分疾病和衰老对小麦作物产量的影响。

2023年6月，PlantPhenomics发表了一篇题为“结合高分辨率成像、深度学习和动态建模来分离小麦冠层疾病和衰老”的研究文章。

这项研究介绍了一种新颖的图像处理方法，使用深度学习模型进行语义分割，以监测小麦作物的失绿和坏死，重点关注穗和芽。该方法涉及使用半合成数据训练植被分割模型，结合图像合成和生成对抗神经网络。

经过训练的模型在高分辨率RGB图像中的植被分割方面表现出很高的准确性。总体验证F1分数令人印象深刻：在原始合成图像上训练的模型为0.929，在风格转移合成图像上训练的模型为0.951。

这表明该模型可以有效地识别不同生长阶段和不同光照条件下的植物部位及其健康状况。分割模型的性能在整个训练过程中保持稳定，特别是当每个植物前景使用多个复合材料时。

该模型有效地区分了健康组织、褪绿组织和坏死组织，这对于了解植物健康动态至关重要。特别是，该方法在识别失绿和坏死的发生方面表现出色，这是植物因疾病或自然衰老而受到胁迫的关键指标。

将这种方法应用于田间条件，揭示了小麦作物绿度衰退的时间模式，并区分了小麦斑枯病(STB)和自然衰老等疾病的影响。

该方法的高通量性质使其适用于抗病性和耐受性的遗传学研究。此外，结果凸显了使用这种基于图像的方法精确、客观地监测作物健康的潜力，从而能够详细评估不同植物部分随时间的生理状态。

总之，这种图像处理方法利用深度学习和高级图像分析，为在特定器官水平上详细、高通量地监测植物健康提供了强大的工具。它对于增进我们对作物对生物胁迫反应的理解和优化田间作物管理策略具有巨大的潜力。