《Crop Science》：Phenotypic approaches for Fusarium head blight resistance in wheat: A review
小麦（Triticum aestivumL.）赤霉病（Fusarium head blight, FHB）主要由禾谷镰刀菌（Fusarium graminearum）引起，该病害会导致产量下降、籽粒品质降低及呕吐毒素（deoxynivalenol, DON）积累，造成显著经济损失，因此FHB抗性育种是育种家的核心关切。表型鉴定方法的选择在很大程度上取决于所评估的抗性机制，但传统方法往往耗时、主观且准确性不足。本综述对比分析了针对FHB不同抗性组分（resistance components）的传统与现代表型鉴定方法。基于数字图像的表型技术涵盖低成本红绿蓝（red, green, blue, RGB，即拜耳阵列）传感器、多光谱传感器和高光谱传感器。在上述传感器应用中，结合光谱指数或深度学习的方法在小麦穗部和籽粒的侵染检测与分类中均表现出较强潜力。高光谱成像技术已被广泛探索，可利用光谱指数或以特定波段为输入的模型，精准估计穗部与籽粒的侵染程度及籽粒中DON含量；然而，基于特定波段的模型在新数据集上的泛化能力较差，且高光谱成像的设备与运维成本显著高于RGB或多光谱相机，限制了其在多数育种项目中的实际应用。基于数字图像的光谱指数和/或深度学习表型方法因具备可扩展性与低成本优势，在小麦育种中最具应用潜力，但该技术的广泛推广依赖于标准化成像规程、跨基因型稳健泛化能力及其与育种流程的有效整合。
1 引言
小麦赤霉病是由镰刀菌属（Fusarium）复合种引起的真菌性病害，其中禾谷镰刀菌（Fusarium graminearum）和黄色镰刀菌（Fusarium culmorum）是加拿大地区的主要致病菌。侵染会降低千粒重与籽粒品质，同时病原菌会产生呕吐毒素等真菌毒素，威胁人畜健康，导致谷物中允许毒素含量的严格限制，因此抗赤霉病品种选育是小麦育种计划的核心目标。育种项目通常将FHB抗性划分为5个主要组分，作为品系晋级的选择标准：Ⅰ型——初始侵染抗性；Ⅱ型——病害扩展抗性（Schroeder & Christensen, 1963）；Ⅲ型——籽粒损伤抗性（Mesterházy, 1995）；Ⅳ型——DON积累抗性（Lemmens et al., 2005）；Ⅴ型——产量损失抗性（Foroud & Eudes, 2009）。针对各抗性组分的表型鉴定是评价FHB抗性与推动新品种审定的主要手段，是育种流程的关键环节，其估计结果需快速、准确且客观以保障遗传抗性的高效选择。传统表型鉴定多依赖人工目视评分，主观性强且劳动强度大。遥感技术中的光谱指数是将图像通道/波段线性组合为单一数值，以增强特定生物物理属性并降低光照差异等干扰的敏感性（Jackson, 1983），其中基于红绿蓝（RGB）图像的光谱指数因操作简便、成本较低而被广泛用于植物病害表型分析（Li et al., 2014）。RGB颜色空间还可转换为HSV（色调、饱和度、明度）、Lab（亮度、绿-红、蓝-黄）等其他颜色空间以增强细微差异，提升表型效率（Philipp & Rath, 2002），但此类转换仅对目标性状按比例缩放，不提供新信息，且不一定比光谱指数与目标性状的相关性更强。RGB方法的局限在于仅覆盖可见光波段，无法捕捉镰刀菌侵染相关的关键生化或内部特征。多光谱与高光谱成像可捕获可见光、近红外（near-infrared, NIR）、短波红外（short-wave infrared, SWIR）及长波红外（热红外）区域的数字信号，广泛应用于农业领域的生化与生物物理属性评估、产量预测及病害检测（Lu et al., 2020）。选定波段衍生的光谱指数可用于区分植被与土壤（Meyer & Neto, 2008）、分析叶片色素含量（Gitelson et al., 2001）等场景。除光谱信息外，还可从图像中提取纹理特征以表征空间变异、支撑图像分类（Haralick et al., 1973），也可将单波段转换为小波特征以识别局部模式、提升分类性能（K. Huang & Aviyente, 2008）。上述分析依赖人工设计的光谱指数或纹理特征，而深度学习的最新进展实现了从图像数据中自动提取特征并完成分类。卷积神经网络（convolutional neural network, CNN）等深度学习方法已广泛应用于图像分类、目标检测与图像分割任务（LeCun et al., 2015），其中目标检测算法可实现图像中目标实例的定位与识别（Jiao et al., 2019），实例分割方法可生成每个目标实例的精确分割掩码（Hafiz & Bhat, 2020），这些计算机视觉技术在植物病害表型鉴定中展现出较强潜力（Adedoja et al., 2019），为小麦FHB的精准、规模化评估提供了可行路径。
2 视觉症状表型鉴定
3 传统方法
FHB会导致小麦穗部提前漂白，与正常绿色组织形成明显对比。抗性评估常于器官水平通过人工统计单穗或少量穗的侵染小穗数计算严重度（Oliver et al., 2008; Siou et al., 2014），该方法虽应用普遍但耗时较长。部分研究采用定性分级评价小穗状态（T. Liu et al., 2024; Mao et al., 2023; Wang et al., 2023），但精度有所下降。田间试验中也常在小区水平开展人工接种后的整体评估，采用1–9级目视评分（1为完全健康，9为全穗发病）（Miedaner et al., 2024; R??le et al., 2023），或通过发病率（Ⅰ型抗性）与严重度（Ⅱ型抗性）的乘积计算FHB指数以获得更定量的抗性指标（Stack & McMullen, 1998），该方法因简便、可规模化而在FHB抗性研究中广泛使用（Berraies et al., 2023; Bonin & Kolb, 2009; He et al., 2019）。也可在生育期内多次评分，通过计算病害发展曲线下面积追踪病情动态（Buerstmayr et al., 2000）。但目视评分的主观性较强，多名评分员对同一穗或小区的评估结果存在较大差异（Cooper et al., 2023; R??le et al., 2023）。田间尺度评估通常通过V或W形路线行走，随机选取约10个点调查发病情况（Bissonnette, 2019）。上述局限推动了基于图像的视觉症状表型方法的发展，以提升评估的客观性与时效性。
3 RGB成像
基于智能手机或搭载拜耳阵列滤光片的普通数码相机的成像方法因低成本、易操作而日益普及。深度学习常用于从背景中分割小麦穗部，再对分离健康与侵染组织的光谱指数设定阈值。例如，结合区域生长分割算法的绿-蓝颜色变换可识别镰刀菌损伤小穗，精度高于K-means或Otsu法，但仍会误判较多健康组织（Qiu et al., 2019）。归一化红/绿比值可将单穗像素分类为侵染或健康，精度达87.8%，且与目视评估相关性极强（R2=0.83）（McConachie et al., 2024）。类似地，融合RGB与Lab颜色空间的指数可将单穗按0–4级分类，精度达96.7%（T. Liu et al., 2024）。多项研究采用端到端深度学习方案开展单穗FHB侵染表型鉴定：改进的You Only Look Once（YOLOv4）模型检测穗部侵染的精度达93.69%（Hong et al., 2022）；改进的YOLOX-s目标检测模型可将穗部按0–4级分类，平均精度均值达99.23%，F1分数为96.02%（Mao et al., 2023）；基于HSV颜色空间的深度学习模型可将穗部按0–14级分类，精度达92.6%（Wang et al., 2023）。这类方法在单穗尺度精度较高，且大幅缩短表型时间，基于图像的流程仅需传统方法约20%的时间（Cooper et al., 2023），但深度学习模型需要大量标注训练数据的 upfront 投入。RGB图像方法也已应用于田间整小区表型：对RGB图像各颜色通道的灰度强度设定阈值可区分健康与侵染像素，在发病小区精度较高，但在健康小区易出现假阳性，且阈值需针对不同小麦品种重新校准（Dammer et al., 2011）。小区尺度的深度学习结合光谱指数方法可将像素分类为健康或侵染，精度达85.8%（McConachie et al., 2024），但相机参数与光照条件会显著影响指数阈值的准确性。EfficientNet深度学习模型可将小区图像按1–9级分类，但难以区分相近等级（R??le et al., 2023）。改进的YOLOv5模型可检测并分类侵染与健康穗，精度超88%（Shi et al., 2024）。应用于小麦小区航拍图像的深度学习模型可将小区侵染水平分为轻、中、重三级，精度达79.49%（S. Zhu et al., 2025）。上述研究表明RGB成像可在多尺度实现FHB视觉症状的客观表型鉴定，但仍需进一步研究以建立可重复的标准化方法。
3 多光谱与高光谱成像
高光谱成像在单穗FHB侵染识别与分类中的应用日益增多。FHB严重度升高通常伴随350–1000 nm波段反射率上升，其中450–520 nm与582–720 nm波段相关性最强（L. Huang et al., 2021），1162–1349 nm、1421–1799 nm及2001–2350 nm波段也表现出显著关联（Ma et al., 2020）。植株生育期会显著影响有效光谱范围（Bauriegel et al., 2011），例如基于生育期筛选的560–678 nm波段输入的随机森林模型可精准检测FHB侵染（Zhang, Wang, Lin, Yin, Gu, & Qiao, 2020）；对550–675 nm波段的光谱指数设定阈值可在乳熟中期以84%精度识别侵染（Bauriegel et al., 2011），且成熟后侵染症状与正常衰老难以区分。光谱指数阈值法的误差通常低于单波段阈值法（Jackson, 1983），近期还发展了结合小穗显微图像的高光谱技术，提升了检测灵敏度与早期侵染识别能力（Xiong et al., 2025）。高光谱数据常提取小波特征并结合机器学习模型分类：基于471、696、841、963、1069、2272 nm波段小波特征的Fisher线性判别模型对健康与侵染穗的分类精度达88.7%（Ma et al., 2020），仅用可见光与近红外波段时精度仍可达85.9%；上述波段的小波特征输入支持向量机可将穗部分为健康、轻度侵染、重度侵染三类，精度达93.5%（L. Huang et al., 2021）。神经网络中融合光谱指数、小波特征与纹理特征也可实现单穗精准分类（Mustafa et al., 2024）。除分类外，研究人员还尝试量化单穗内侵染严重度：375–1050 nm波段的偏最小二乘回归可预测穗部侵染百分比，R2达0.93（Chen et al., 2023）。成像角度会影响精度，推荐从穗部侧面拍摄以获取更高分类性能（L. Huang et al., 2019），该局限可通过多光谱3D扫描缓解，研究显示搭载460、545、635 nm三个可见光波段的3D扫描仪可高精度检测侵染并估计严重度，R2达0.95（Hamila et al., 2024）。多光谱与高光谱成像也可用于田间小区表型：归一化植被指数（normalized difference vegetation index, NDVI）与FHB侵染存在相关性（Petrovi? et al., 2025），但作为衰老/绿度指数易受非FHB胁迫干扰。550、670、702、740 nm波段结合纹理特征可将小区分为轻病与重病，精度达90%（Xiao et al., 2021）；融合光谱指数与纹理特征的多类模型也可实现小区精准分类（L. Liu, Dong, Huang, Du, & Ma, 2020; H. Zhang et al., 2022; W. Zhu et al., 2022）。光谱指数还可用于量化小区严重度：基于401、460、570、786、841 nm波段的两个光谱指数的K近邻回归可准确估计田间小区严重度，R2达0.83（Mustafa et al., 2022）。上述技术已扩展至田间尺度评估：基于红、红边3、近红外波段反射率的光谱指数可估算Sentinel-2卫星影像中的病害严重度，R2达0.82（L. Liu, Dong, Huang, Du, Ren, et al., 2020），且在商业化田块的FHB监测中总体精度达78.6%。总体而言，多光谱与高光谱成像在器官水平的FHB表型中潜力突出，但在更大尺度下性能会下降，因为许多指数依赖叶绿素敏感波段，易受FHB以外的多种胁迫影响。
3 镰刀菌损伤籽粒表型鉴定
3 传统方法
镰刀菌损伤籽粒（Fusarium-damaged kernel, FDK）又称 tombstone 粒，通常皱缩、变色、呈粉状，常因镰刀菌菌丝生长呈现粉红色。传统表型方法依赖人工抽检籽粒样本，统计损伤籽粒占比（图1b）：逐粒评估损伤程度并归类为健康或损伤，再计算损伤比例（Abate et al., 2008; Argyris et al., 2005; Berraies et al., 2024; Góral et al., 2019），部分研究进一步将损伤粒细分为中度/轻度与重度以区分程度（Argyris et al., 2003; Jirsa & Poli?enská, 2014; Shahin & Symons, 2012）。该方法劳动强度大，每1000粒样本约需15分钟（Ackerman et al., 2022），且观测者偏差显著，同一样本复测的标准差可达5.7%（Delwiche et al., 2019）。另一种替代方法是与已知FDK比例的标样对比评估（Bonin & Kolb, 2009; Ollier et al., 2019; Thapa et al., 2024），评估时间大幅缩短至每1000粒约45秒（Ackerman et al., 2022），但因依赖目视估计而非客观测量，更易受评估者偏差、光照条件与籽粒外观变异的影响，误差风险升高。
3 RGB成像与传统图像分析
现代表型方法采用RGB图像分析以降低主观性、提升通量。多项研究表明基于颜色的指标可有效区分健康与损伤籽粒，但裂纹粒、颖枯病等会干扰结果（Maloney et al., 2014）。例如，数码相机拍摄的单粒小麦RGB值与色调值可将籽粒分为健康、轻度损伤、重度损伤，精度达85%（Jirsa & Poli?enská, 2014）。对RGB图像饱和度通道设定阈值可估计FDK比例，损伤区域占比与人工计数相关性最高达0.8（Maloney et al., 2014），速度约为人工计数的3倍。类似地，对RGB图像蓝色通道设定阈值计算白化籽粒表面积，可判定像素为损伤或健康，白化像素占总籽粒像素的比例与人工FDK估计强相关（r=0.81）（Ollier et al., 2019）。平板扫描也被用于获取高分辨率籽粒样本图像：Vibe QM3谷物分析仪基于颜色与形态特征的参数校准文件将籽粒分为健康或损伤，与人工评估的相关性达r=0.99（Ackerman et al., 2022），仅在极低FDK比例下略有高估，单样本耗时约1分49秒。平板扫描还可分析单粒小麦的纹理特征：融合多颜色通道纹理特征与机器学习分类模型可实现损伤与健康籽粒分类，籽粒腹面朝上放置时的分类精度高于背面朝上，部分模型针对特定品种的精度可达100%（Ropelewska & Zapotoczny, 2018），纹理特征与小麦籽粒中镰刀菌DNA含量强相关（r=0.89）（Ropelewska et al., 2019）。RGB图像分析可实现FDK的快速客观评估，但仅能捕捉表层视觉性状，光谱与高光谱方法因可获取可见光外的信息而被逐步探索以优化表型。
3 光谱成像方法
光谱方法在FDK表型中日益普及，常利用NIR与SWIR波段捕获视觉之外的信息。籽粒光谱特征会因小麦品种、镰刀菌种与孢子密度而异（Alisaac et al., 2019）：黄色镰刀菌侵染籽粒在750–1000 nm与1460–1850 nm波段反射率改变，禾谷镰刀菌侵染则影响750–1000 nm与1000–2500 nm波段，总体而言FDK的全波段反射率显著高于健康籽粒。950–1650 nm波段的NIR分析仪可准确估计1000粒样本的FDK比例（R2=0.98），但极低比例下略有高估，单样本平均耗时约1分45秒（Ackerman et al., 2022）。基于1188 nm与1128 nm波段吸收差的光谱指数阈值法FDK分类精度达95%（Delwiche & Hareland, 2004），性能与全波段参数或非参数模型相当。1878 nm与1887 nm波段反射率的一阶差分阈值法FDK分类精度达88%（Zhang, Wang, Lin, Weng, et al., 2020），支持向量机与偏最小二乘判别分析的精度略高于光谱指数阈值法，但计算资源需求显著更高。线性判别分析（linear discriminant analysis, LDA）分类器结合NIR成像，基于1198 nm与1496 nm波段反射率因子的FDK分类精度可达95%（Delwiche et al., 2011）；基于1100、1197、1308、1394 nm四个波段反射率的LDA模型分类精度达96.4%，偏最小二乘判别分析精度达98.2%（Delwiche et al., 2019）。基于900–1700 nm波段0.2%光谱的3近邻分类器的NIR高光谱成像系统可将籽粒样本按质量等级分类，精度达85%（Nadimi et al., 2021）。人工神经网络基于895–1728 nm波段的吸光度值分类籽粒，精度最高达85.8%（Femenias et al., 2022）。上述结果表明，基于少量波长的分析可与全NIR/SWIR光谱分析性能相当。FDK在可见光区的光谱特征与健康籽粒差异显著，400–630 nm波段反射率更高（Alisaac et al., 2019）：基于502 nm与678 nm波段反射率的LDA分类器对损伤与健康籽粒的分类精度约95%（Delwiche et al., 2011）；基于484、567、684、817、800、950 nm六个波段反射率的LDA分类器可将籽粒分为损伤或健康（精度92%），并将损伤粒分为轻度或重度（精度86%）（Shahin & Symons, 2011）；基于494、578、639、678 nm四个波段反射率的偏最小二乘回归模型可将籽粒分为损伤或健康，精度达96%（Shahin & Symons, 2012），两类研究的精度均与使用450–950 nm全波段相当。融合高光谱图像纹理特征的分类模型精度介于78%–98%（Ropelewska & Zapotoczny, 2018），参数与非参数模型无显著差异，性能差异主要来自纹理特征提取的波段。总体而言，NIR与高光谱成像为FDK表型提供了稳健方案，但设备成本高，且最优波段因小麦品种与镰刀菌种而异，方法标准化难度较大。
3 深度学习与自动化FDK检测
深度学习技术近期被用于FDK表型鉴定，可融合空间与光谱数据实现精准分类。QSorter Explorer自动化机器人籽粒分拣系统结合3D视觉传感器与高分辨率NIR光谱仪，通过多种机器学习模型处理数据以实现FDK检测（Thapa et al., 2024），与人工FDK估计强相关（r=0.72）。半监督深度学习模型在RGB图像FDK评估中也表现突出：EfficientNet-B0架构以三种方式训练RGB图像分类——健康vs不健康、FDK vs非FDK、FDK vs健康vs不健康（Najafian et al., 2023），健康与不健康分类的F1分数达84.29，但FDK vs非FDK与三分类的F1分数分别降至56.35与68.3。Mask R-CNN架构可从RGB图像中检测并分类损伤与健康籽粒（Wu et al., 2023），实际与预测FDK计数相关性达r=0.81，单样本耗时约30秒，效率显著提升。
4 DON抗性表型鉴定
4 DON定量的分析方法
小麦DON抗性表型鉴定有多种实验室方法（图1c），最常用的是免疫学方法酶联免疫吸附测定（enzyme-linked immunosorbent assay, ELISA）。针对DON的特异性单克隆抗体检测范围为0.05–20 μg/mL（Casale et al., 1988; Sinha et al., 1995），该方法快速、成本较低、操作简便，是DON含量估计的主流选择（He et al., 2019; Hill et al., 2006, 2008; Tittlemier et al., 2020）。免疫层析试纸条也被开发用于DON快速检测（Xu et al., 2010），常用于粮仓质量筛查，但ELISA与试纸条在低DON浓度下精度下降，且抗体可能与结构相似化合物交叉反应，导致假阳性（Goryacheva et al., 2009）。色谱法也被广泛用于DON定量：薄层色谱是最早的DON检测方法（Trucksess et al., 1984），已被更精准的技术取代；电子捕获检测的气相色谱曾用于谷物DON估计（Scott et al., 1981; Tacke & Casper, 1996），并在多项研究中应用（Góral et al., 2019; Scott et al., 1986），但目前基本被替代；气相色谱-质谱法提升了灵敏度，检测范围为0.025–8.0 ng（Mirocha et al., 1998），改进版本仍被广泛使用（Jin et al., 2014; Thapa et al., 2024; Wu et al., 2023）。高效液相色谱法也被开发用于DON定量（Chang et al., 1984; Yang et al., 2013），目前仍常规应用（Almoujahed et al., 2025; Mesterházy et al., 2011）。液相色谱-串联质谱（liquid chromatography-tandem mass spectrometry, LC-MS/MS）因高灵敏度与特异性近年日益普及，检测限为0.03–220 μg/kg（Sulyok et al., 2006），是DON抗性表型鉴定的常规手段（Amarasinghe et al., 2016; Del Ponte et al., 2012; McConachie et al., 2025），但成本较高、耗时较长，且籽粒取样与分样的操作偏差会显著影响结果解读（Hart and Schabenberger, 1998; Whitaker et al., 2000）。为提升效率，研究人员开发了快速色谱-串联质谱法，单样本检测时间约2分钟，较传统LC-MS/MS快约10倍，性能相当（Wang et al., 2022）。总体而言，上述分析方法可提供准确可靠的DON定量，但属于破坏性检测、资源消耗大、通量有限。
4 基于成像的DON表型方法
与FDK表型类似，多种成像方法被用于DON估计。FDK分类的RGB成像技术（如白化籽粒表面、深度学习FDK分类）与DON的相关性（r=0.63–0.86）高于人工FDK估计（Ollier et al., 2019; Wu et al., 2023）。QS
