编辑推荐：
研究人员针对黑胡椒病害问题，开展基于卷积神经网络（CNN）的病害检测研究，模型准确率达 98.72%，助力农业生产。
在香料界，黑胡椒素有 “香料之王” 和 “黑色黄金” 的美誉，全球超 26 个国家都有种植，印度的产量更是位居世界第三，其中喀拉拉邦贡献显著。黑胡椒不仅能为美食增添独特风味，还在阿育吠陀医学中用于治疗感冒、发烧等病症。然而，病虫害却成了它增产路上的 “拦路虎”。在众多影响黑胡椒产量的因素中，疫病（Phytophthora capsica）引起的脚腐病和炭疽菌（Colletotrichum gloeosporioides）引发的炭疽病最为突出。据估算，在印度喀拉拉邦，脚腐病会导致 25 - 30% 的作物损失，在卡纳塔克邦，44 - 48% 的藤蔓受影响；而炭疽病对胡椒穗的损害在 1.93 - 9.54% 之间，极端情况下损失甚至高达 67%。
传统的病害检测方法依赖植物病理学家、经验丰富的农民或农业专家的肉眼观察。但这种方式不仅需要专业知识，还耗费大量的时间、精力和资源，对于偏远地区的农民来说成本过高。
为了解决这些问题，喀拉拉农业大学的研究人员开展了基于卷积神经网络（Convolutional Neural Network，CNN）的黑胡椒病害检测研究。研究成果发表在《Phytopathology Research》上。
研究人员用到的主要关键技术方法包括：首先，收集了来自印度喀拉拉邦不同黑胡椒农场的 2786 张叶片图像，涵盖健康叶片以及感染早期和晚期炭疽病、脚腐病的叶片。这些图像在不同季节、用多种设备采集，背景丰富多样。然后，对图像进行预处理，将其调整为 128×128 像素并归一化处理，同时利用数据增强技术，如旋转、翻转、扭曲、调整亮度等，将数据集扩充到 18234 张。最后，运用 CNN 模型进行训练和分析，并与 8 种预训练模型对比。
研究结果如下：
- 模型构建：设计的 CNN 模型包含多个卷积层、池化层、全连接层。卷积层逐渐增加滤波器数量以提取复杂特征，池化层用于下采样，全连接层进行分类。通过实验优化了超参数，确定了合适的 L2 正则化强度（0.001）、学习率（0.001）和批量大小（64）1。
- 性能评估：在测试数据集上，该模型表现出色，分类准确率达到 98.72%，精度为 99.28%，召回率为 97.65%，F1 分数为 98.66%。与其他 8 种预训练模型相比，在各项指标上均超越它们，例如 ResNet50 的测试准确率仅为 65.13%，而 DenseNet121 虽在预训练模型中表现较好，但也不及该模型23。
- 应用开发：研究人员开发了名为 “Black pepper Disease Identification App” 的网络应用程序。用户上传黑胡椒叶片图像后，程序能快速将其分类为健康、早期炭疽病、晚期炭疽病和脚腐病，并展示各类别的概率，网址为https://agstatkau.shinyapps.io/pepper_disease_app/ 4。
研究结论和讨论部分表明，基于深度学习的 CNN 模型在黑胡椒叶部病害检测方面效果显著。它能有效提取病害特征，即使在复杂背景下也能精准分类。与其他研究相比，该模型在准确率等方面表现更优或相当。未来，该模型有望进一步扩展，用于识别更多黑胡椒病害，如慢衰退病、斑驳病毒病等，为黑胡椒种植提供更全面的病害检测支持，助力农业生产，减少因病害导致的经济损失。
