基于自适应预处理与级联Canny边缘分割结合HyperCapsInception-ResNet-V2-CNN的木薯病害精准识别研究

《Frontiers in Plant Science》：Adaptive preprocessing and Cascaded Canny Edge Segmentation for cassava disease identification using HyperCapsInception-ResNet-V2-CNN

本综述系统阐述了利用先进人工智能技术进行木薯叶部病害识别的创新方法。研究提出了一种结合自适应高斯大津阈值化（Gaussian Otsu Thresholding, GOT）预处理、级联Canny边缘分割（Cascaded Canny Edge Segmentation, CCES）、最优蜘蛛群智能技术（Optimal Spider Swarm Intelligence Technique, OSSIT）特征选择以及混合深度学习模型HyperCapsInception-ResNet-V2-CNN的分类系统。该方法在木薯叶部病害（包括木薯细菌性枯萎病CBB、木薯花叶病CMD、木薯绿螨病CGM、木薯褐条病CBSD）检测中取得了卓越性能（准确度98.15%，F1-score 97.22%，精确度96.02%），显著优于传统深度学习方法，为精准农业和作物健康监测提供了高效可靠的解决方案。

　　

引言

木薯作为全球广泛种植的重要作物，其产量受到多种叶部病害的严重威胁。传统的病害识别方法在图像恢复和分割方面面临挑战，尤其是在复杂特征相互依赖的情况下，容易出现较高的假阳性率和误识别，导致检测精度下降。为了解决这些问题，本研究提出了一种高效的人工智能驱动的图像分析系统。

研究方法

本研究方法的核心流程包括图像预处理、特征提取与选择、以及最终的病害分类。

首先，研究采用自适应高斯大津阈值化（Gaussian Otsu Thresholding, GOT）对从Kaggle仓库获取的Cassava Leaf Disease Classification数据集（共21,367张图像）进行数据归一化。该预处理步骤旨在增强病害区域的可见性，改善图像质量，通过分析像素强度的变化来区分正常和异常叶片状态。

随后，应用直方图颜色评估（Histogram Color Evaluation）和迭代聚类分割来更好地分离病害变异。级联Canny边缘分割（Cascaded Canny Edge Segmentation, CCES）技术被用于有效分割病害区域，该技术通过多步骤的边缘检测，精确勾勒出感染区域的边界。

在特征选择阶段，研究引入了最优蜘蛛群智能技术（Optimal Spider Swarm Intelligence Technique, OSSIT）。这是一种受蜘蛛群体协作行为启发的元启发式优化算法，用于从高维特征集中选择最相关的特征子集，平衡探索（多样性）和利用（集中性），从而降低特征维度，减少冗余信息，提升后续分类模型的计算效率和性能。

分类任务由创新的HyperCapsInception-ResNet-V2-CNN模型完成。该混合模型集成了Inception模块（用于多尺度特征提取）、ResNet-V2（通过残差连接解决深度网络中的梯度消失问题，促进更深的网络结构学习）和胶囊网络（Capsule Networks, CapsNets，用于保持特征图的空间关系和旋转不变性）。这种混合设计统一了深度特征学习和空间感知能力，使得对具有相似症状和复杂纹理的叶片病害进行更鲁棒的分类成为可能。

结果与讨论

仿真实验结果表明，所提出的方法在木薯叶部病害分类任务上取得了显著成效，达到了98.15%的准确率、97.22%的F1分数和96.02%的精确度。其性能明显优于其他传统深度学习方法，如EfficientNetB3、AlexNet、Faster-RCNN和InceptionV3。

性能分析显示，结合了OSSIT的优化特征选择和混合HyperCapsInception-ResNet-V2-CNN架构显著增强了模型的判别能力和分类可靠性。该模型能够有效区分木薯细菌性枯萎病（CBB）、木薯花叶病（CMD）、木薯绿螨病（CGM）、木薯褐条病（CBSD）以及健康和异常叶片状态。特别是在处理背景噪声、光照变化和复杂叶片纹理方面表现出较强的鲁棒性。模型的训练和验证损失曲线也表明其具有良好的泛化能力，避免了过拟合。

与现有技术的对比突显了本方法的优势。例如，EfficientNetB3虽然具有良好的特征提取能力，但缺乏胶囊网络的空间层次学习能力；AlexNet模型深度有限，难以捕捉复杂病害模式；Faster R-CNN侧重于时间关联，对空间特征的表征不足；InceptionV3能进行多尺度特征提取，但在特征优化和空间层次学习方面不如本混合模型。

未来展望

尽管本研究提出的模型在可控条件下取得了优异性能，未来研究可着眼于以下几个方面：开发能够适应田间复杂光照、遮挡和环境条件的更鲁棒模型；整合多光谱或高光谱图像信息以检测更细微的病害征兆；通过轻量级架构和模型压缩技术实现边缘设备（如智能手机）上的实时病害检测，服务于资源受限地区的农民；将模型扩展至多种作物的病害分类系统；引入可解释人工智能（Explainable AI, XAI）方法增强模型预测的透明度；以及构建集病害诊断、监测和治疗建议于一体的综合性数字农业平台。

结论

本研究成功开发了一套高效、精准的人工智能驱动的木薯叶部病害图像分析系统。通过集成自适应预处理（GOT）、级联边缘分割（CCES）、智能特征选择（OSSIT）和先进的混合深度学习架构（HyperCapsInception-ResNet-V2-CNN），系统有效克服了现有方法在特征判别和复杂场景适应性方面的局限。实验证明，该方法在准确率、F1分数等关键指标上均超越现有先进模型，为木薯作物健康的自动化、精准化监测与管理提供了强有力的技术支撑，对保障全球粮食安全、促进可持续农业实践具有重要意义。