基于深度学习的蒙特雷县INSV相关杂草分类研究：一种区域特异性RGB图像数据集的应用

《Scientific Reports》：Deep learning classification of INSV-associated weeds in Monterey county using a curated RGB image dataset

本研究针对蒙特雷县由INSV病毒引起的1.5亿美元作物损失问题，开发了首个区域特异性杂草图像数据集，通过对比ResNet-50、ResNet-101和DenseNet-121三种卷积神经网络模型，实现了对传播INSV病毒的Sonchus oleraceus和Malva parviflora两种杂草的高精度分类（最高准确率91%），为精准农业中的杂草实时检测提供了技术支撑。

　　

在加利福尼亚州蒙特雷县这片全美最高产的农业区，农民们正面临着一个隐形杀手——莴苣坏死斑病毒（INSV）的威胁。这种由杂草传播的病毒在2022年造成了约1.5亿美元的作物损失，其中一年生苦苣菜（Sonchus oleraceus）和小花锦葵（Malva parviflora）被确认为主要传播媒介，它们的INSV感染率均超过20%。传统除草方法不仅成本高昂，还会对环境造成负面影响，而现有全球图像数据库（如PlantCLEF和DeepWeeds）又缺乏对这一特定农业区域的代表性，使得精准杂草识别面临巨大挑战。

为解决这一难题，加州州立大学蒙特雷湾分校的研究团队在《Scientific Reports》上发表了最新研究成果。他们创建了首个针对蒙特雷县INSV相关杂草的定制化RGB图像数据集，通过深度学习技术实现了对两种形态相似杂草的高精度分类。该研究不仅填补了区域特异性杂草数据集的空白，更为精准农业中的自动化杂草管理提供了可靠的技术方案。

研究团队采用多项关键技术：通过温室模拟田间胁迫条件（包括干旱、过量施肥、机械损伤等6种处理）培育杂草样本；使用高分辨率数码相机采集标准化RGB图像；应用分层蒙特卡洛交叉验证策略（10次独立数据分割）；采用Wolfram语言进行图像增强（包括模糊、光照调整、锐化等变换）；基于迁移学习对三种CNN架构（ResNet-50、ResNet-101、DenseNet-121）进行端到端训练。

Accuracy

数据增强使所有模型的分类准确率显著提升，其中ResNet-101在增强数据集上达到91%的中位准确率，表现最为稳定。DenseNet-121对增强最为敏感，准确率提升幅度达26.6%。

Mean Cross Entropy

增强训练使模型预测置信度显著提高，ResNet-101和ResNet-50的交叉熵损失分别降至0.48和0.52，表明概率估计更可靠。

F1 Score

DenseNet-121在增强数据上获得最高F1分数（中位数0.99），尤其在营养胁迫和干旱条件下表现突出。ResNet-101在不同类别间表现最一致。

Area under ROC Curve

DenseNet-121展现最优判别能力，所有处理条件的AUC中位数均≥0.99，即使在最难分类的损伤样本中也保持稳定性能。

Cohen's Kappa

ResNet-101获得最高Kappa值（0.87），表明其预测结果与真实标签之间存在最强的一致性，且在不同数据分割下变异最小。

研究结论表明，数据增强策略将原始数据集扩展28倍，显著提升了模型对田间复杂条件的适应性。三种CNN架构中，DenseNet-121在判别能力指标（AUC、F1）上领先，而ResNet-101在预测稳定性方面更优。该研究验证了深度学习在区域特异性杂草分类中的有效性，为开发田间实时检测系统奠定了坚实基础。未来研究方向包括扩展杂草种类、测试目标检测框架（如YOLOv5、EfficientDet）以及部署到农业机器人平台。这项工作的最大意义在于建立了首个针对加州高价值作物系统的杂草图像数据库，为INSV传播链的早期干预提供了技术可能。