一种用于大豆叶部病害识别的具有膜分裂和溶解规则的细胞 P 系统：精准诊断新突破

为快速准确识别大豆叶部病害，研究人员提出 DDC-P 系统，其识别率高、模型小，适用于边缘设备。

　　# 大豆叶部病害识别新突破：DDC-P 系统的诞生
在农业的大舞台上，大豆扮演着举足轻重的角色，它既是全球重要的粮食作物，也是关键的油籽来源。然而，各种病害却如同隐藏在暗处的 “杀手”，时刻威胁着大豆的健康生长。据统计，全球已知的大豆病害约有 120 种，仅在中国就有 52 种。这些病害每年给大豆产量带来约 10% 的损失，在严重的情况下，损失甚至高达 30%。

传统的大豆病害识别方法主要依赖人工经验和简单的图像处理技术，这就好比在黑暗中摸索。不仅耗时费力，而且准确性也大打折扣，难以满足现代农业对精准化、高效化的需求。随着科技的飞速发展，虽然深度学习在农业病害识别领域取得了一定进展，但现有的方法仍存在诸多挑战。例如，为了让模型更 “轻便”，一些常用的方法，像模型剪枝、知识蒸馏和模型压缩等，在小模型架构上效果并不理想。模型选择层剪枝法虽然能减少网络深度来降低延迟，却会因内核大小增加而抵消延迟减少的效果。因此，寻找一种更有效的大豆叶部病害识别方法迫在眉睫。

为了攻克这一难题，安徽理工大学和皖西学院的研究人员踏上了探索之旅。他们提出了一种具有膜分裂和溶解规则的细胞 P 系统（DDC-P 系统），致力于实现大豆病害的快速精准识别。相关研究成果发表在《Plant Methods》上，为大豆病害防治带来了新的曙光。

研究人员为开展此项研究，运用了多个关键技术方法。首先，收集了 2023 - 2024 年在中国安徽淮南的大豆病害数据集，包含 8883 张图像，并将其分为训练集、测试集和验证集。其次，构建了 DDC-P 系统，该系统结合了 p 系统和卷积神经网络，由输入膜、SGEFA 膜、EFA 膜和输出膜等组成。此外，设计了模糊控制器来动态调整 SGEFA 膜的数量，还设计了 EFA 膜和 SGEFA 膜用于特征提取和减少干扰。最后，选用准确率、精确率、召回率、F1 分数等多种指标评估模型性能。

确定 SGEFA 膜的并行数量

研究人员通过设置一系列实验参数，如将 epoch 设为 300，膜分裂规则最大使用次数设为 10，膜溶解规则最大使用次数设为 5，初始并行 SGEFA 膜数量设为 1 等，以确定 SGEFA 膜的最佳并行数量。经过多轮实验，发现当 n = 4 时，模型的验证集准确率（Val_acc）达到 98.76%，测试集准确率（Test_acc）为 98.43%，均为最高；验证集损失（Val_loss）为 0.0341，测试集损失（Test_loss）为 0.0476，均为最低。这表明 n = 4 是最佳选择，同时也验证了模糊控制器控制膜分裂和溶解规则来调整 SGEFA 膜数量的可行性，DDC-P 系统可根据输入动态调整模型结构，避免模型冗余。

消融实验

为验证 EFA 模块对模型性能的影响，研究人员进行了消融实验。实验结果显示，使用 EFA 模块后，模型准确率提高了 1.36%，精确率、召回率和 F1 分数也有所提升。在对大豆叶三类样本的识别中，使用 EFA 模块正确识别的病叶（Category 0）和虫害叶（Category 2）数量增加。这充分说明 EFA 模块能有效抑制背景对模型的干扰，显著提升 DDC-P 系统的整体性能。

与不同模型比较

研究人员将 DDC-P 系统与 DenseNet121、ResNet101、MobileNetV2、EfficientNetB0 和 InceptionV3 等经典模型进行对比实验。在相同训练条件下，DDC-P 系统在准确率、精确率、召回率和 F1 分数方面表现最优，分别达到 98.43%、0.9870、0.9877 和 0.9874，且模型参数数量仅为 1.41MB，远低于其他对比模型。从混淆矩阵来看，DDC-P 系统在各类样本上的正确识别数量较多，整体识别效果最佳。在 ROC 曲线和 PR 曲线评估中，DDC-P 系统的 AUC 和 AP 值也最优，进一步证明其在大豆叶部病害识别方面的卓越性能。

在 Auburn 大豆病害图像数据集上的实验

研究人员在 Auburn 大豆病害图像数据集上继续探索。该数据集包含 8 个类别共 9648 张图像，研究人员对其进行处理并实验。结果发现，在该数据集上，DDC-P 系统的 n 值为 5 时最优。DDC-P 系统在该数据集上的准确率为 94.40%，精确率为 0.9443，召回率为 0.9411，F1 分数为 0.9425，均高于其他对比模型。这表明 DDC-P 系统在更复杂、样本更不均衡的背景下，仍能保持优秀的识别能力，具有较强的泛化能力。

边缘设备部署

为验证 DDC-P 系统在实际场景中的可行性，研究人员将其部署在 Unitree Go1 四足机器人搭载的 Jetson Xavier NX 控制器上进行测试。测试结果令人惊喜，在处理 889 张大豆叶图像时，DDC-P 系统的运行时间仅为 38.1s，帧率（FPS）达到 23.3，运行时间最短，FPS 最大。这意味着 DDC-P 系统具有快速的实时识别速度和出色的实时性能，能够在实际应用场景中发挥重要作用。

研究人员提出的 DDC-P 系统在大豆叶部病害识别方面取得了显著成果。SGEFA 膜有效提取特征并减少模型参数，EFA 膜聚焦关键特征、抑制背景干扰，模糊控制器动态调整模型结构，避免冗余。在自建数据集上，DDC-P 系统识别率高达 98.43%，F1 分数为 0.9874，模型大小仅 1.41MB；在公共数据集上，准确率达到 94.40%，F1 分数为 0.9425。在边缘设备上，平均识别时间为 0.042857s，FPS 为 23.3 。

不过，DDC-P 系统也存在一些有待改进的地方。在处理病害特征不明显的图像时，识别性能会有所下降；应用于更大或更多样化的农业数据集时，需要更精细的调优策略。但这并不影响其为大豆病害防治带来的巨大变革，未来研究人员将针对这些问题继续深入探索，进一步提升 DDC-P 系统的性能，为农业生产保驾护航。