数字化温室试验：基于深度学习的植物损伤高效客观评估自动化新方法

在温室试验中，人工评估植物损伤耗时且缺乏重复性。研究人员开展利用深度学习实现植物损伤自动化评估的研究，提出新算法。结果显示该算法评估 PDCU 值的 MAE 较低，R2较高，超越人工评估的准确性，为温室试验提供了高效客观的评估方法。

　　在农业领域，新农药和除草剂的研发离不开温室试验。传统的人工评估植物损伤的方法存在诸多弊端，不仅耗费大量时间和精力，而且由于评估过程依赖专家的主观判断，不同专家之间的评估结果差异较大，缺乏重复性和客观性。这就如同在黑暗中摸索，难以准确把握植物损伤的真实情况，严重影响了试验的效率和准确性，也阻碍了农业科研的发展。为了解决这些问题，来自国外的研究人员开展了一项旨在利用深度学习实现植物损伤自动化评估的研究。
这项研究成果发表在《Artificial Intelligence in Agriculture》上。研究人员提出了一种全新的方法，通过对植物物种进行初始分割，再利用多分支卷积神经网络来估计植物的损伤程度（PDCU 值）。该方法克服了传统像素级手动分割损伤症状的高昂成本和不可操作性，利用专家提供的全局损伤估计值进行模型训练。
在研究过程中，研究人员主要运用了以下关键技术方法：首先是图像预处理技术，包括利用经典图像处理技术进行植物分割，去除背景干扰，保留植物的关键信息；然后将图像调整为合适的大小，保证模型能够准确识别。其次是构建多输入 / 多输出回归模型，针对不同的植物物种和叶片类型，分别设计了单独模型、按叶片类型分类的模型以及统一模型，并对这些模型进行训练和优化。此外，还运用了 Grad-CAM 算法进行解释性分析，以验证模型的可靠性。
研究结果如下：

1. 单独多输出回归模型：为四个物种分别构建的单独模型取得了不错的效果，平均绝对误差（MAE）小于 10.0，决定系数（R²）高于 0.80 。不过，AMARE 植物的 PDCU 估计值离散度较高，这可能与该物种控制盆之间生长差异大，模型难以泛化有关。
2. 单独模型、按叶片类型分类的模型与统一模型对比：按叶片类型分类的模型针对叶片类型进行优化，为阔叶植物和草本植物分别构建模型，结果显示四个物种的 R²高达 0.87。这得益于叶片的相似性质有助于模型学习植物的生长行为，同时训练图像数量的增加也减少了过拟合。统一模型为所有物种构建一个模型，对 AMARE 植物的性能提升明显，R²从单独模型的 0.81 提升到统一模型的 0.92 。虽然 TRZAW 植物的 R²略有下降，但仍保持在良好水平。统一模型的优势在于只需一个模型就能处理多种物种，便于模型的推广和应用。
3. 可解释性分析结果：通过 Grad-CAM 算法对单独多输出回归模型进行可解释性分析，发现模型能够关注到植物中影响 PDCU 值的关键部分，如枯叶、斑点、叶片变黄等，这表明模型估计的 PDCU 值是可靠的。
   研究结论和讨论部分指出，多输入回归模型是表现最佳的方法，其估计 PDCU 值的 MAE 在 5.20（AMARE）到 8.07（ECHCG）之间，R²均高于 0.85，超过了人工评估的评分者间变异性（10 - 15%）。该算法的优势在于建立了统一的图像采集条件，保证了图像分辨率的一致性，便于比较植物生物量；植物分割等预处理步骤至关重要，能够让模型专注于植物的关键特征；模型的响应速度快，可通过 Docker 和 REST API 调用。此外，该算法具有广泛的适用性，有望应用于更多的植物物种。不过，研究也存在一些不足之处，例如模型在处理叶片重叠和遮挡问题时存在局限性，图像采集过程中可能会丢失部分植物信息。未来的研究可以从优化图像采集条件、改进模型算法等方面入手，进一步提高植物损伤评估的准确性和可靠性。这项研究为温室试验中植物损伤的评估提供了一种高效、客观的自动化方法，推动了农业科研的发展，具有重要的理论和实践意义。