小麦赤霉病被称为小麦 "癌症"，是全球小麦生产面临的重大病害。近日，武汉理工大学副教授刘唯真课题组联合华中农业大学教授兰彩霞课题组在《生物技术通报（英文）》（aBIOTECH）发表了研究论文。该研究提出并开源了一款名为FHBDSR-Net的深度学习算法，能从手机拍摄的、带有复杂背景的麦穗图像里自动测算病小穗率表型，为小麦抗赤霉病育种提供了高效精准的表型测定手段。

感染赤霉病的小麦病小穗。aBIOTECH供图

  ?

病小穗率是评估病害感染程度和小麦抗病性的关键表型指标，它指的是受感染小穗数量占该麦穗小穗总数的百分比。当前病小穗率测量主要依赖人工逐小穗观察与计数，存在效率低下、主观性强等问题。

尽管计算机视觉技术的快速发展为病小穗率自动化测量开辟了新路径，但现有智能检测算法应用于该任务时仍面临两大核心挑战：病小穗特征表征不足，其易与麦穗正常枯黄部分、背景等混淆，难以精准提取病害特异性特征；密集排列小穗的空间编码能力薄弱，小麦麦穗结构紧凑，小穗间相互遮挡、重叠现象普遍，导致算法难以清晰区分单个小穗边界，更无法准确捕捉密集场景下小穗的空间分布关系，检测与计数精度因此受限。鉴于这一现状，亟需研发一套兼顾特征识别精度与空间编码能力的智能检测方案，以突破当前技术瓶颈。

实验结果表明，FHBDSR-Net模型在病小穗检测任务中平均精度达 93.8%，其病小穗率测量值与人工观测值的皮尔逊相关系数均值超0.901。该模型具备优异的泛化能力与稳健性，在不同品种、不同生长阶段、不同感染程度的麦穗病小穗率检测中均表现出较高准确性。

同时，该模型兼具轻量化特性，参数量仅7.2M，可适配资源受限的移动终端部署，能够为温室、田间场景下病小穗率的精准计算提供支持，进而为小麦赤霉病抗病育种筛选、田间病害动态监测提供高效可靠的技术保障，推动植物表型分析向田间便携化、智能化升级。

研究由国家自然科学基金资助。

相关论文信息：https://doi.org/10.1007/s42994-025-00245-0