Hopp til hovedinnholdet

Publikasjoner

NIBIOs ansatte publiserer flere hundre vitenskapelige artikler og forskningsrapporter hvert år. Her finner du referanser og lenker til publikasjoner og andre forsknings- og formidlingsaktiviteter. Samlingen oppdateres løpende med både nytt og historisk materiale. For mer informasjon om NIBIOs publikasjoner, besøk NIBIOs bibliotek.

2024

Sammendrag

STOPPest-prosjektet har som mål å få frem ny kunnskap om rollene til ulike aktører innen dagens plantehelsesystem for å minimere biologisk risiko. En av arbeidspakkene i prosjektet fokuserer på de fysiske kontrollene som skal utføres av importerte planter for å sikre at de er frie for medfølgende planteskadegjørere. I den aktuelle arbeidspakken ble det i 2021 undersøkt totalt 168 planteprøver fra importsendinger for innhold av sjukdomsorganismer (plantepatogener). Plantematerialet kom fra Nederland, Italia, Tyskland, Spania og Portugal. Ved fire ulike importsteder/lokaliteter ble prøvene tatt ut av NIBIO etter at importsendingene først hadde blitt kontrollert av importørene sitt mottakerapparat. Dette ble gjort for å kartlegge om dagens fysiske kontroll utført av importørene kan avdekke sjukdomsorganismer i samme grad som NIBIO med tilgang til spesialister (plantepatologer) og moderne analysemetoder. I prosjektet var det i 2021 ekstra fokus på Phytophthora. Dette er en slekt med fremmede, invaderende planteskadegjørere som ofte følger med som blindpassasjerer i rotklumpen på importerte grøntanleggs- og hageplanter. Dersom plantene er symptomfrie, er tilstedeværelse av disse mikroorganismene umulig å oppdage gjennom en fysisk kontroll på importstedet. Derfor ble 150 jordprøver tatt ut av NIBIO til undersøkelser ved laboratoriet på Ås, hvorav 137 prøver var fra planter uten sjukdomssymptomer og dermed ikke kunne mistenkes av importørene som smittet. I tillegg til de 150 jordprøvene tok NIBIO ut 31 prøver fra overjordiske deler av planter (13 av disse prøvene var fra planter der det også ble tatt ut jordprøver) der tidlige/diffuse symptomer på mulig sjukdom var til stede. Kun en av disse 31 prøvene ble plukket ut som mistenkelig av mottakskontrolløren. På disse 31 prøvene ble det funnet mjøldogg (Podosphaera spiraeae) på Japanspirea (Spiraea japonica), Phomopsis sp. på rips (Ribes rubrum) og flere sekundære sopparter. I tillegg til soppinfeksjoner ble bakterien Pseudomonas cichorii identifisert ved fettsyreanalyse fra en bladprøve av villkornell (Cornus sanguinea). Disse patogenene regnes som såkalte kvalitetsskadegjører (RNQP - regulated non-quarantine pests) som det ifølge Matloven og naturmangfoldloven ikke er lov å spre. Av de 150 jordprøvene som ble analysert spesifikt for Phytophthora var det 65 prøver (43.3 %) som hadde Phytophthora i rotklumpen. Totalt ble det funnet 16 Phytophthora-arter. Flere av disse artene, f.eks. P. cactorum, P. cambivora, P. megasperma, P. pini og P. plurivora, er allerede introdusert til norsk natur hvor de gjør skade på trær og busker. To arter, P. multivora og P. × stagnum, var i 2021 ikke rapportert tidligere fra Norge. For majoriteten av de andre artene, mangler det kunnskap om hvor alvorlig risiko de utgjør for norsk natur. Ingen av de 16 Phytophthora-artene er karanteneskadegjørere, men de blir betegnet som kvalitetsskadegjørere. Disse undersøkelsene i STOPPest prosjektet avslører at fremmede, invaderende planteskadegjørere, spesielt i slekta Phytophthora, slipper inn til Norge, og dette går i stor grad under radaren til dagens plantehelsesystems fysiske kontroll. Dette har alt fått, og

Til dokument

Sammendrag

Common scab (CS) is a major bacterial disease causing lesions on potato tubers, degrading their appearance and reducing their market value. To accurately grade scab-infected potato tubers, this study introduces “ScabyNet”, an image processing approach combining color-morphology analysis with deep learning techniques. ScabyNet estimates tuber quality traits and accurately detects and quantifies CS severity levels from color images. It is presented as a standalone application with a graphical user interface comprising two main modules. One module identifies and separates tubers on images and estimates quality-related morphological features. In addition, it enables the extraction of tubers as standard tiles for the deep-learning module. The deep-learning module detects and quantifies the scab infection into five severity classes related to the relative infected area. The analysis was performed on a dataset of 7154 images of individual tiles collected from field and glasshouse experiments. Combining the two modules yields essential parameters for quality and disease inspection. The first module simplifies imaging by replacing the region proposal step of instance segmentation networks. Furthermore, the approach is an operational tool for an affordable phenotyping system that selects scab-resistant genotypes while maintaining their market standards.