菜豆作为我国重要的经济作物，其产业发展却长期受到叶斑病的困扰。从早春到初夏，菜豆花叶病毒等病害极易爆发成灾，造成严重减产。传统的人工检测方法效率低下且主观性强，而基于生物传感器和光谱学的技术又因成本高昂难以推广。尽管人工智能技术在作物病害检测领域已有广泛应用，但针对菜豆叶斑病的专用检测框架仍属空白，现有模型普遍存在准确率低、参数量大、过拟合等问题。更关键的是，可靠的菜豆叶斑病数据集严重匮乏，这成为制约智能诊断技术发展的瓶颈。

山西农业大学的研究团队在《Scientific Reports》发表的研究，通过构建首个菜豆叶斑病(KBLD)图像数据集，创新性地将深度学习特征提取与传统机器学习分类器相结合，开发出高效混合检测模型。研究团队于2023年7月至8月在山西晋中太谷区桃源堡实验基地开展接种实验，采集细菌性病害、黑斑病和灰霉病三类叶斑病图像，经数据增强将样本量从340幅扩展至1020幅。关键技术包括：采用联合双边滤波(JBF)去噪和K=20的K-means聚类进行图像预处理；利用EfficientNet-B7、MobileNetV3、ResNet50和VGG16四种深度学习模型提取特征；结合逻辑回归(LR)、随机森林(RF)、AdaBoost(ADB)和随机梯度提升(SGB)四种机器学习算法分类；通过Optuna框架优化超参数。

研究结果显示，在图像预处理阶段，K=20的K-means聚类参数使病变检测敏感度达91.4%，比K=15提高8.3个百分点(p<0.01)，同时比K=25节省21%处理时间。特征提取模型中，EfficientNet-B7凭借复合缩放策略和MBConv模块优势，在5折交叉验证中平均准确率达92.5%，显著优于其他模型。分类器比较表明，随机梯度提升(SGB)在损失函数下降速度和最终收敛值上均表现最佳。最优混合模型EfficientNet-B7-SGB实现96.26%的检测准确率和0.97的F1值，其中对灰霉病的识别精度最高。值得注意的是，该模型在10折交叉验证中保持93.2%的稳定性能，标准差仅±0.8%。

讨论部分强调，该研究首次构建的KBLD数据集填补了领域空白，提出的混合深度学习框架(HDLM)通过结合深度学习的特征提取优势与机器学习的高效分类特性，突破了传统方法的局限性。虽然当前数据集规模仍有限，但采用的动态增强策略（针对少数类增加70%亮度调整概率和80%旋转概率）有效保障了模型泛化能力。研究为作物病害智能诊断提供了新范式，其技术路线可扩展至其他经济作物，对提升农业生产力、保障粮食安全具有重要实践意义。未来工作将聚焦扩大数据集多样性，并探索神经架构搜索(NAS)等先进方法进一步提升模型鲁棒性。

打赏

下载安捷伦电子书《通过细胞代谢揭示新的药物靶点》探索如何通过代谢分析促进您的药物发现研究

10x Genomics新品Visium HD 开启单细胞分辨率的全转录组空间分析！

欢迎下载Twist《不断变化的CRISPR筛选格局》电子书

单细胞测序入门大讲堂 - 深入了解从第一个单细胞实验设计到数据质控与可视化解析

下载《细胞内蛋白质互作分析方法电子书》