编辑推荐：
在伊朗，小檗种植受锈菌（Puccinia arrhenatheri）威胁。研究人员开展利用深度学习（DL）技术检测小檗丛枝锈病的研究，构建卷积神经网络（CNN）模型。结果显示，模型准确率达 98% ，为农业病害管理提供了新策略，助力保障作物产量和经济稳定。
在伊朗，农业在经济中占据着举足轻重的地位，贡献了 11.6% 的国内生产总值（GDP） ，还解决了 18% 劳动力的就业问题，并且满足了国内约 90% 的食品需求。然而，农作物病害却像隐藏在暗处的 “杀手”，时刻威胁着农业的发展。传统的植物病害检测方法，比如人工肉眼观察和实验室分析，不仅耗费大量人力和时间，还需要专业的技术人员操作，检测结果也容易出现不一致的情况。而且，实验室检测方法往往具有破坏性，成本也较高，难以大规模推广使用。
在这样的背景下，为了应对小檗种植面临的严峻挑战，来自伊朗南呼罗珊省农业组织植物保护管理部门（Plant Protection Management, Agricultural Organization of South Khorasan Province）和戈纳巴德大学（University of Gonabad）计算机与电气工程系的研究人员 Javad Ramezani-Avval Reiabi 和 Mojtaba Mohammadpoor，开展了一项利用人工智能（AI）技术检测小檗丛枝锈病的研究。该研究成果发表在《Scientific Reports》上，为农业病害管理带来了新的希望。
研究人员在开展研究时，主要运用了以下几种关键技术方法：
- 数据收集：研究人员深入南呼罗珊省的田间地头，使用普通智能手机相机，采集了 208 张健康小檗叶和 549 张感染丛枝锈病的小檗叶图像。这些图像由专业人员进行标注分类，并采用 5 折交叉验证的方法，将数据集划分为训练集和验证集。
- 模型构建：借助 TensorFlow 的 Keras API，研究人员构建了卷积神经网络（CNN）模型。该模型包含多个卷积层，用于提取图像的空间特征；还有最大池化层，能够在降低计算复杂度的同时保留重要信息；此外，通过全连接层实现对特征的高级抽象和分类。
- 模型评估：研究人员利用混淆矩阵、准确率、精确率、召回率、F1 分数以及受试者工作特征曲线下面积（AUC）等指标，对模型性能进行全面评估。
下面来详细看看研究结果：
- 平均混淆矩阵：通过交叉验证，研究人员得到了平均混淆矩阵。结果显示，在每折数据中，错误预测的图像数量极少。被误判为感染锈病的健康叶片平均仅有 2 张，而被误判为健康的锈病叶片数量几乎可以忽略不计。这表明模型在分类时，出现错误的概率较低。
- 评估指标：经过 5 折交叉验证，模型的平均准确率达到了 98.05% ，这意味着模型在验证数据上的表现十分出色，能够准确地识别出小檗叶片的健康状况。F1 分数为 0.9647，说明模型在精确率和召回率之间达到了较好的平衡，既能够准确地识别出阳性样本，又能有效避免误判。精确率为 0.9365，意味着模型的阳性预测中，93.65% 是正确的，误报率较低。召回率为 0.9950，表明模型能够正确识别出 99.5% 的实际阳性样本，漏报情况很少发生。模型的 ROC AUC 分数达到了 0.9962，进一步证实了模型在区分健康叶片和感染锈病叶片方面的准确性和高效性。
- 与其他模型对比：研究人员将构建的模型与 VGG16 和 MobileNetV2 等预训练模型进行了对比。尽管该模型结构相对简单，在计算资源有限的情况下具有优势，但在大多数评估指标上，其性能与 VGG16 和 MobileNetV2 相近，展现出了良好的竞争力。
在研究结论和讨论部分，研究人员指出，他们开发和评估的深度学习模型在检测小檗丛枝锈病方面取得了显著进展。该模型能够准确区分健康和患病的小檗叶片，无论是在检测锈病叶片还是健康叶片时，都表现出了较高的精确率、召回率和 F1 分数。98% 的准确率更是凸显了模型在实际应用中的潜力。
这项研究的意义重大。通过将先进的深度学习技术与严格的评估方法相结合，该模型为小檗丛枝锈病的早期检测和有效管理提供了可靠的解决方案。对于南呼罗珊省以及其他地区的农民来说，借助这个模型，他们能够及时发现病害的爆发，从而采取相应的措施，减少农作物的损失，提高农业生产效率，保障农业的可持续发展和粮食安全。同时，这一研究成果也为人工智能在农业病害管理领域的广泛应用提供了成功范例，为后续相关研究奠定了坚实基础，有望推动整个农业领域的技术革新，让农业在面对各种病害挑战时更具韧性。
