编辑推荐：
为解决当前水稻叶部病害检测存在的依赖单一数据集、模型复杂、小数据集限制等问题，研究人员开展了基于双分支卷积图注意力神经网络（DB-CGANNet）的水稻叶部病害分类研究。结果显示该模型在两个数据集上准确率分别达 98.9% 和 99.08%，有助于提升农业生产力。
在农业领域，水稻作为全球数十亿人的主食，其产量却深受多种病害威胁，像褐变病、叶瘟病、叶黑粉病等。传统的人工检测方式不仅耗时费力，还容易出错，且极度依赖专业人员，在亚洲，这些病害每年致使水稻减产 10 - 15%。即便有一些传统检测技术，如显微镜分析、化学测试和聚合酶链反应（PCR）等，但它们成本高昂、需专业设备，在资源有限地区难以广泛应用。随着技术发展，深度学习（DL）虽展现出潜力，可现有 DL 模型仍存在计算成本高、特征考虑不全面、泛化性差等问题。在此背景下，SASTRA 被视为大学（Deemed University）的研究人员开展了一项旨在提升水稻叶部病害检测准确性的研究，其成果发表于《Scientific Reports》。这一研究对保障全球粮食安全、推动农业可持续发展意义重大。
研究人员运用了多种关键技术方法：首先，使用两个不同的数据集，即水稻叶部病害数据集和水稻病害图像数据集；其次，利用升级加权中值滤波（Up-WMF）和基于对齐伽马的对比度受限自适应直方图均衡化（AG-CLAHE）对图像进行预处理；然后，借助离散小波变换（DWT）、灰度游程矩阵（GLRLM）和 VGG19 进行特征提取，并通过生物启发人工蜂鸟（BI-AHB）算法进行特征选择；最后，运用双分支卷积图注意力神经网络（DB-CGANNet）进行分类。
研究结果如下：
- 模型性能评估指标：使用准确率、精确率、召回率和 F1 分数这四个指标来评估模型性能。在水稻叶部病害数据集上，DB-CGANNet 模型的准确率达到 98.9%，精确率为 97.8%，召回率为 98.7%，F1 分数为 98.2%；在水稻病害图像数据集上，准确率为 99.08%，精确率为 98.1%，召回率为 98.16%，F1 分数为 98.16%。与卷积神经网络（CNN）、残差 CNN（RCNN）、循环神经网络（RNN）和卷积神经网络与迁移学习结合（CNNTL）等现有模型相比，该模型性能更优13。
- K 折交叉验证结果：通过 K 折交叉验证进一步评估模型的稳定性。在水稻叶部病害数据集的训练中，5 折交叉验证时准确率为 96.57%，10 折为 97.26%，15 折为 97.29%，20 折为 97.95%，25 折为 98.63%；在测试中，5 折交叉验证时准确率为 94.73%，10 折为 97.22%，15 折为 97.22%，20 折为 97.29%，25 折为 97.29%。在水稻病害图像数据集的训练中，5 折交叉验证时准确率为 98.43%，10 折为 98.43%，15 折为 98.43%，20 折为 99.06%，25 折为 99.25%；在测试中，5 折交叉验证时准确率为 96.93%，10 折为 96.96%，15 折为 97.95%，20 折为 97.97%，25 折为 98.82%。这些结果表明该模型在不同折数下都能保持较好的性能25。
- 混淆矩阵分析：通过混淆矩阵直观展示模型的分类情况。在水稻叶部病害数据集中，细菌性叶枯病、褐斑病和叶黑粉病的分类准确率较高；在水稻病害图像数据集中，褐斑病、健康、稻纵卷叶螟和叶瘟病的分类也有较高准确率，但存在少量误判情况46。
- 消融实验分析：通过消融实验研究模型各个部分的重要性。去除预处理、特征选择、通道注意力或空间注意力机制后，模型性能均显著下降，这表明这些部分对于模型的高性能至关重要7。
研究结论与讨论：该研究提出的混合 DL 模型能有效识别多种水稻叶部病害，相比传统模型，具有复杂度低、训练时间短、性能好等优势。然而，该模型也存在一些局限性，如缺乏图像分割、超参数未优化、数据集有偏差和类别不平衡等问题。未来研究可从添加图像分割、优化超参数、扩展数据集、解决类别不平衡以及优化模型以适应低资源环境等方面展开。总体而言，该研究成果为水稻叶部病害检测提供了更有效的方法，有助于提高水稻产量，推动农业可持续发展。
