基于双分支卷积图注意力网络的人工智能技术在水稻叶部病害检测中的应用：推动可持续农业发展

《Scientific Reports》：Artificial intelligence for sustainable farming with dual branch convolutional graph attention networks in rice leaf disease detection

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。