Na prinos useva pšenice utiče snaga ponora (broj zrna i kapacitet apsorpcije hranljivih materija) i kapacitet izvora (efikasnost fotosintetičkog tkiva). Dok se o ograničenjima ponora često izveštava, ograničenja izvora usled bolesti kao što je septoria tritici blotch (STB) takođe utiču na prinose, prvenstveno nakon anteze, tokom punjenja zrna.
Trenutni izazovi uključuju razlikovanje efekata bolesti od prirodnog starenja na zelenilo krošnje. Napredak u senzorskoj tehnologiji i analizi slike, kao što je duboko učenje, nudi potencijalna rešenja, ali se bori sa stvaranjem tačnih podataka o obuci i razlikovanjem malih promena u karakteristikama nadstrešnice tokom vremena.
Ključni fokus istraživanja sada je razvoj preciznih metoda za odvajanje efekata bolesti i starenja na prinose pšenice koristeći napredne tehnologije zasnovane na senzorima.
U junu 2023. godine, Plant Phenomics objavila je istraživački članak pod naslovom „Kombinovanje slika visoke rezolucije, dubokog učenja i dinamičkog modeliranja za odvajanje bolesti i starenja u krošnjama pšenice“.
Ovo istraživanje uvodi novu metodologiju obrade slike koristeći modele dubokog učenja za semantičku segmentaciju za praćenje hloroze i nekroze u usevima pšenice, fokusirajući se na klasje i izdanke. Pristup uključuje obuku modela segmentacije vegetacije koristeći polusintetičke podatke, kombinujući kompoziciju slike i generativne adversarijske neuronske mreže.
Obučeni model je pokazao visoku preciznost u segmentiranju vegetacije na RGB slikama visoke rezolucije. Ukupni rezultati F1 validacije bili su impresivni: 0,929 za modele obučene na neobrađenim kompozitnim slikama i 0,951 za one koji su obučeni na kompozitnim slikama sa prenetim stilom.
Ovo ukazuje da su modeli bili efikasni u identifikaciji delova biljaka i njihovog zdravstvenog statusa tokom različitih faza rasta i pod različitim svetlosnim uslovima. Performanse modela segmentacije su ostale stabilne tokom obuke, posebno kada je korišćeno više kompozita po biljci u prvom planu.
Model je efikasno razlikovao zdrava, hlorotična i nekrotična tkiva, što je ključno za razumevanje dinamike zdravlja biljaka. Metoda se posebno pokazala u identifikaciji početka hloroze i nekroze, koji su ključni indikatori stresa biljaka usled bolesti ili prirodnog starenja.
Primenom ove metodologije na uslove u polju otkriveni su vremenski obrasci propadanja zelenila u usevu pšenice i diferencirani uticaji bolesti kao što su septoria tritici blotch (STB) i prirodno starenje.
Visoka propusna priroda metode čini je pogodnom za genetske studije o otpornosti na bolesti i toleranciji. Štaviše, rezultati su istakli potencijal korišćenja ovakvih pristupa zasnovanih na slici za precizno i objektivno praćenje zdravlja useva, omogućavajući detaljnu procenu fiziološkog statusa različitih delova biljke tokom vremena.
Ukratko, ova metodologija obrade slike, koja koristi duboko učenje i naprednu analizu slike, nudi moćan alat za detaljno, visoko propusno praćenje zdravlja biljaka na nivou specifičnog za organ. Ima značajan potencijal za unapređenje našeg razumevanja odgovora useva na biotičke stresove i optimizaciju strategija upravljanja usevom na terenu.
