Abstract Diaporthe is an important plant pathogenic genus, which also occurs as endophytes and saprobes. Many Diaporthe species that are morphologically similar proved to be genetically distinct. The current understanding of Diaporthe taxonomy by applying morphological characters, host associations and multi-gene phylogeny are problematic leading to overestimation/underestimation of species numbers of this significant fungal pathogenic genus. Currently, there are no definite boundaries for the accepted species. Hence, the present study aims to re-structure the genus Diaporthe , based on single gene phylogenies (ITS, tef , tub , cal and his ), multi-gene phylogeny justified by applying GCPSR (Genealogical Concordance Phylogenetic Species Recognition) methodology as well as the coalescence-based models (PTP—Poisson Tree Processes and mPTP—multi-rate Poisson Tree Processes). Considering all available type isolates of Diaporthe , the genus is divided into seven sections while boundaries for 13 species and 15 species-complexes are proposed. To support this re-assessment of the genus, 82 Diaporthe isolates obtained from woody hosts in Guizhou Province in China were investigated and revealed the presence of two novel species and 17 previously known species. Synonymies are specified for 31 species based on molecular data and morphological studies. Dividing Diaporthe into several specific sections based on phylogenetic analyses can avoid the construction of lengthy phylogenetic trees of the entire genus in future taxonomic studies. In other words, when one conducts research related to the genus, only species from the appropriate section need to be selected for phylogenetic analysis.

Tapping line detection and rubber tapping pose estimation are challenging tasks in rubber plantation environments for rubber tapping robots. This study proposed a method for tapping line detection and rubber tapping pose estimation based on improved YOLOv8 and RGB-D information fusion. Firstly, YOLOv8n was improved by introducing the CFB module into the backbone, adding an output layer into the neck, fusing the EMA attention mechanism into the neck, and modifying the loss function as NWD to realize multi-object detection and segmentation. Secondly, the trunk skeleton line was extracted by combining level set and ellipse fitting. Then, the new tapping line was located by combining edge detection and geometric analysis. Finally, the rubber tapping pose was estimated based on the trunk skeleton line and the new tapping line. The detection results from 597 test images showed the improved YOLOv8n's detection mAP0.5, segmentation mAP0.5, and model size were 81.9%, 72.9%, and 6.06 MB, respectively. The improved YOLOv8n's effect and efficiency were superior compared to other networks, and it could better detect and segment natural rubber tree image targets in different scenes. The pose estimation results from 300 new tapping lines showed the average success rate and average time consumed for rubber tapping pose estimation were 96% and 0.2818 s, respectively. The positioning errors in x, y, and z directions were 0.69 ± 0.51 mm, 0.73 ± 0.4 mm, and 1.07 ± 0.56 mm, respectively. The error angles in a, o, and n directions were 1.65° ± 0.68°, 2.53° ± 0.88°, and 2.26° ± 0.89°, respectively. Therefore, this method offers an effective solution for rubber tapping pose estimation and provides theoretical support for the development of rubber tapping robots.