《Current Plant Biology》：Enhancing wheat yellow rust detection through modified deep learning approach
編輯推薦：
在農業生產中，小麥條銹病嚴重影響產量。研究人員開展了利用機器學習（ML）和深度學習（DL）算法檢測小麥條銹病的研究。結果顯示，改良的 CNN（MCNN）精度達約 98%，性能優異。該研究為植物病害檢測提供了高效方案。
在全球農業領域，小麥作為重要的糧食作物，對滿足人類的食物需求起著關鍵作用。然而，小麥生產常常受到多種因素的制約，其中小麥條銹�。ㄓ� “Puccinia striiformis
f. sp. tritici” 真菌引起）的威脅不容小覷。在印度的旁遮普邦、哈里亞納邦和北方邦西部等地區，條銹病相較于其他葉部病害更為普遍。它會導致小麥的品質下降和產量損失，每年造成的產量損失可達 10 - 30%（約 547 萬噸），嚴重影響了全球糧食供應的穩定。
傳統的微生物和分子分析技術在檢測小麥條銹病時，存在成本高、耗時長的問題，這對于廣大農民來說是沉重的負擔。為了解決這些難題，基于機器學習（ML）和深度學習（DL）的視覺疾病識別技術應運而生。但傳統 ML 技術在檢測時需要高質量圖像特征和額外的特征提取步驟，而 DL 模型雖具有強大的圖像檢測和分類能力，但其計算成本較高。在此背景下，來自國內的研究人員開展了一項旨在提高小麥條銹病檢測效率的研究，該研究成果發表在《Current Plant Biology》上。
研究人員提出了一種改良的卷積神經網絡（MCNN）架構，通過將 L2 正則化和線性激活與鉸鏈損失函數相結合，使 CNN 的輸出層在二分類中表現得像支持向量機（SVM）。研究用到的主要關鍵技術方法包括：利用在印度哈里亞納邦東北部地區收集的自然環境下的小麥葉片圖像構建 YR - 22/23 數據集，以及使用已有的 YellowRust - 19 數據集進行交叉驗證；采用數據增強技術對訓練圖像進行預處理；運用標準的 CNN 和改良的 MCNN 模型進行圖像分類實驗，并通過多種性能指標評估模型效果。
實驗結果
- YR - 22/23 數據集結果：在使用 YR - 22/23 數據集進行檢測時，MCNN 表現出色，總體準確率達到 98.2%，F1 分數為 0.982，在精度、召回率和 kappa 分數等指標上也均達到最高。雖然大多數傳統 ML 方法的訓練時間比包括 MCNN 在內的 CNN 方法短，但 MCNN 的預測時間與標準 CNN 相近，且模型大小合理。數據增強對 MCNN 的性能提升至關重要，它能夠幫助模型更好地識別復雜模式。
- YellowRust - 19 數據集結果：在對 YellowRust - 19 數據集的測試中，MCNN 同樣表現最佳，總體準確率為 94.2%，F1 分數為 0.954，在精度、召回率和 kappa 值等方面優于其他方法。這表明 MCNN 在不同來源的數據集上都具有良好的檢測性能。
研究結論與討論
該研究提出的 MCNN 方法為小麥條銹病的檢測提供了一種高效、非侵入性、經濟且省時的解決方案。通過實驗對比多種 ML 和 DL 算法，證實了 MCNN 在檢測小麥條銹病方面的優勢。然而，MCNN 模型也存在一定局限性，例如對數據增強和特征提取模塊（如卷積自動編碼器 CAE）的依賴較強。若缺少這兩者，模型性能會下降，而兩者結合也并非總能產生最佳效果，這暗示在集成這些技術時需要找到平衡。
從整體來看，這項研究成果對于農業生產中的病害防控具有重要意義。它不僅為農民提供了一種實用的小麥條銹病檢測手段，有助于及時發現和控制病害，減少產量損失，而且為后續植物病害檢測領域的研究奠定了基礎。未來，研究人員將繼續探索新穎的 ML/DL 算法，如 MobileNet 和生成對抗網絡（GAN）等，進一步提升病害檢測的性能，同時還會擴充現有數據集，增強其在訓練和評估 ML/DL 算法時的穩健性，從而推動農業病害防控技術不斷向前發展。
