编辑推荐：
在农业生产中，小麦条锈病严重影响产量。研究人员开展了利用机器学习（ML）和深度学习（DL）算法检测小麦条锈病的研究。结果显示，改良的 CNN（MCNN）精度达约 98%，性能优异。该研究为植物病害检测提供了高效方案。
在全球农业领域，小麦作为重要的粮食作物，对满足人类的食物需求起着关键作用。然而，小麦生产常常受到多种因素的制约，其中小麦条锈病（由 “Puccinia striiformis
f. sp. tritici” 真菌引起）的威胁不容小觑。在印度的旁遮普邦、哈里亚纳邦和北方邦西部等地区，条锈病相较于其他叶部病害更为普遍。它会导致小麦的品质下降和产量损失，每年造成的产量损失可达 10 - 30%（约 547 万吨），严重影响了全球粮食供应的稳定。
传统的微生物和分子分析技术在检测小麦条锈病时，存在成本高、耗时长的问题，这对于广大农民来说是沉重的负担。为了解决这些难题，基于机器学习（ML）和深度学习（DL）的视觉疾病识别技术应运而生。但传统 ML 技术在检测时需要高质量图像特征和额外的特征提取步骤，而 DL 模型虽具有强大的图像检测和分类能力，但其计算成本较高。在此背景下，来自国内的研究人员开展了一项旨在提高小麦条锈病检测效率的研究，该研究成果发表在《Current Plant Biology》上。
研究人员提出了一种改良的卷积神经网络（MCNN）架构，通过将 L2 正则化和线性激活与铰链损失函数相结合，使 CNN 的输出层在二分类中表现得像支持向量机（SVM）。研究用到的主要关键技术方法包括：利用在印度哈里亚纳邦东北部地区收集的自然环境下的小麦叶片图像构建 YR - 22/23 数据集，以及使用已有的 YellowRust - 19 数据集进行交叉验证；采用数据增强技术对训练图像进行预处理；运用标准的 CNN 和改良的 MCNN 模型进行图像分类实验，并通过多种性能指标评估模型效果。
实验结果
- YR - 22/23 数据集结果：在使用 YR - 22/23 数据集进行检测时，MCNN 表现出色，总体准确率达到 98.2%，F1 分数为 0.982，在精度、召回率和 kappa 分数等指标上也均达到最高。虽然大多数传统 ML 方法的训练时间比包括 MCNN 在内的 CNN 方法短，但 MCNN 的预测时间与标准 CNN 相近，且模型大小合理。数据增强对 MCNN 的性能提升至关重要，它能够帮助模型更好地识别复杂模式。
- YellowRust - 19 数据集结果：在对 YellowRust - 19 数据集的测试中，MCNN 同样表现最佳，总体准确率为 94.2%，F1 分数为 0.954，在精度、召回率和 kappa 值等方面优于其他方法。这表明 MCNN 在不同来源的数据集上都具有良好的检测性能。
研究结论与讨论
该研究提出的 MCNN 方法为小麦条锈病的检测提供了一种高效、非侵入性、经济且省时的解决方案。通过实验对比多种 ML 和 DL 算法，证实了 MCNN 在检测小麦条锈病方面的优势。然而，MCNN 模型也存在一定局限性，例如对数据增强和特征提取模块（如卷积自动编码器 CAE）的依赖较强。若缺少这两者，模型性能会下降，而两者结合也并非总能产生最佳效果，这暗示在集成这些技术时需要找到平衡。
从整体来看，这项研究成果对于农业生产中的病害防控具有重要意义。它不仅为农民提供了一种实用的小麦条锈病检测手段，有助于及时发现和控制病害，减少产量损失，而且为后续植物病害检测领域的研究奠定了基础。未来，研究人员将继续探索新颖的 ML/DL 算法，如 MobileNet 和生成对抗网络（GAN）等，进一步提升病害检测的性能，同时还会扩充现有数据集，增强其在训练和评估 ML/DL 算法时的稳健性，从而推动农业病害防控技术不断向前发展。
