"Фузариозная фитофтороз вызывает большие экономические потери пшеницы, а связанный с ним токсин дезоксиниваленол (ДОН) может вызвать проблемы со здоровьем людей и животных. Болезнь была большим сдерживающим фактором для людей, выращивающих пшеницу на востоке США, потому что они могли вырастить совершенно хороший урожай, а затем отнести его на элеватор только для того, чтобы его подрезали или забраковали. Это было болезненно для людей. Поэтому очень важно попытаться повысить устойчивость и максимально снизить риск заражения", - говорит Джессика Руткоски, доцент кафедры наук о растениеводстве Колледжа сельскохозяйственных наук, потребительских наук и наук об окружающей среде (ACES) в Иллинойсе. Руткоски является соавтором новой статьи в Журнал "Феномен растений".

Повышение устойчивости к любому заболеванию сельскохозяйственных культур традиционно означает выращивание большого количества генотипов сельскохозяйственных культур, заражение их болезнью и поиск симптомов. Процесс, известный в селекции растений как фенотипирование, является успешным, когда он выявляет устойчивые генотипы, у которых не развиваются симптомы, или менее серьезные симптомы. Когда это происходит, исследователи пытаются идентифицировать гены, связанные с устойчивостью к болезням, а затем внедряют эти гены в высокоэффективные гибриды культуры.

Это долгий, повторяющийся процесс, но Руткоски надеялся, что один шаг - фенотипирование симптомов болезни - можно ускорить. Она обратилась за помощью к экспертам по искусственному интеллекту Чжунчжэ Ву, докторанту кафедры сельскохозяйственной и биологической инженерии (ABE), и Гиришу Чоудхари, адъюнкт-профессору ABE и кафедры компьютерных наук (CS). ЭЙБ является частью ACES и инженерного колледжа Грейнджера, в котором также находится CS.

"Мы хотели проверить, можем ли мы количественно оценить повреждение зерен, используя простые изображения зерен с мобильного телефона. Обычно мы смотрим на чашку Петри с ядрами, а затем даем ей субъективную оценку. Это очень отупляющая работа. Вам нужны специально обученные люди, а это медленно, сложно и субъективно. Система, которая могла бы автоматически оценивать повреждения ядер, казалась выполнимой, потому что симптомы довольно очевидны", - говорит Руткоски.

Ву и Чоудхари согласились, что это возможно. Они начали с алгоритмов, аналогичных тем, которые используются технологическими гигантами для обнаружения и классификации объектов. Но распознавание мельчайших различий в пораженных болезнями и здоровых зернах пшеницы по изображениям с мобильного телефона потребовало от Ву и Чоудхари дальнейшего совершенствования технологии.

"Одна из уникальных особенностей этого усовершенствования заключается в том, что мы обучили нашу сеть обнаруживать мельчайшие повреждения ядер с достаточно хорошей точностью, используя всего несколько изображений. Мы сделали это возможным благодаря тщательной предварительной обработке данных, обучению передаче и начальной загрузке процессов маркировки", - говорит Чоудхари. "Это еще одна приятная победа машинного обучения и искусственного интеллекта для сельского хозяйства и общества".

Он добавляет: "Этот проект основан на Национальном институте искусственного интеллекта AIFARMS и Центре цифрового сельского хозяйства здесь, в Иллинойсе, чтобы использовать возможности искусственного интеллекта для сельского хозяйства".

Успешное обнаружение повреждений от фузариоза - мелких, сморщенных, серых или меловых зерен - означало, что технология также могла предсказать токсичную нагрузку зерна; чем больше внешних признаков повреждения, тем больше содержание DON.

Когда команда протестировала только технологию машинного обучения, она смогла предсказать уровни DON лучше, чем оценки симптомов заболевания в полевых условиях, на которые селекционеры часто полагаются вместо фенотипирования ядра для экономии времени и ресурсов. Но по сравнению с тем, как люди оценивали повреждения ядер от болезней в лаборатории, технология была лишь на 60% точнее.

Тем не менее, исследователи по-прежнему воодушевлены, поскольку в их первоначальных тестах не использовалось большое количество образцов для обучения модели. В настоящее время они добавляют образцы и рассчитывают добиться большей точности с помощью дополнительной настройки.

"Хотя для улучшения возможностей нашей модели необходимо дальнейшее обучение, первоначальное тестирование показывает многообещающие результаты и демонстрирует возможность создания автоматизированного и объективного метода фенотипирования ядер, поврежденных фузариозом, который можно было бы широко использовать для поддержки усилий по селекции устойчивости", - говорит Ву.

Руткоски говорит, что конечная цель - создать онлайн-портал, на котором селекционеры, подобные ей, могли бы загружать фотографии зерен пшеницы с мобильных телефонов для автоматической оценки повреждений фузариозом.

"Подобный инструмент может сэкономить недели времени в лаборатории, а это время имеет решающее значение, когда вы пытаетесь проанализировать данные и подготовить следующее испытание. И, в конечном счете, чем больше эффективности мы сможем привнести в процесс, тем быстрее мы сможем повысить устойчивость до такой степени, что парша может быть устранена как проблема", - говорит она.