编辑推荐：
为解决水稻叶片真菌（如白粉病）和病毒感染识别复杂、现有算法忽视分支模式及拮抗作用等问题，研究人员开展基于中值交互鸽群优化（MIPIO）调参 CNN 的病害预测研究，引入 CPGRN 和 DBAAL，结果提升准确率，助力多病共感染检测，具农业应用价值。
水稻作为全球重要粮食作物，其叶片病害如真菌引发的白粉病、稻瘟病，病毒导致的东格鲁病、黄斑驳病等，严重威胁产量。传统人工诊断依赖经验，耗时且易受主观偏差影响，而现有机器学习算法（如 CNN、SVM）虽能基于颜色、纹理等特征检测病害，但存在诸多局限：对真菌菌丝复杂分支模式（如二叉、分隔、不规则分支）分割困难，难以处理病毒间拮抗作用导致的症状变异，且超参数调优依赖大量计算资源，在环境变化（如光照、湿度）下泛化能力不足。因此，开发更精准、鲁棒的病害预测模型对农业生产至关重要。
为此，印度 Avinashilingam 高等教育学院（Avinashilingam Institute for Home Science and Higher Education for Women）的 Jasmy Davies 和 S. Sivakumari 开展研究，提出 “基于中值交互鸽群优化算法的 CNN 超参数调参模型”，结合相干点图循环网络（CPGRN）和动态贝叶斯自适应美学学习（DBAAL），提升水稻叶片真菌和病毒感染的预测精度。研究成果发表于《Chemical and Biological Technologies in Agriculture》。
研究采用以下关键技术：
- CPGRN 图像分割：融合图神经网络（GNN）和循环神经网络（RNN），通过相干点漂移（CPD）算法捕捉真菌菌丝的时空分支模式，解决传统 UNet 等模型缺乏时序建模的缺陷。
- MIPIO 超参数调优：基于鸽群行为启发的优化算法，结合 Weiszfeld 算法平衡探索与开发，优化 CNN 的学习率、核大小等参数，提升特征提取效率。
- DBAAL 病毒共感染预测：利用贝叶斯概率模型和自适应学习，动态捕捉多种病毒间拮抗作用引发的症状变异，实现多病共感染检测。
研究结果
1. 模型架构与数据集
研究基于 Kaggle 的水稻叶片病害数据集（含 6 类病害，3829 张图像），将数据分为 80% 训练集和 20% 验证集。构建的 CNN 模型包含 8 层，采用 3×3 卷积核、0.001 学习率、32 批次大小及 ReLU/softmax 激活函数。通过 CPGRN 预处理图像，有效分割菌丝分支区域，为后续特征提取奠定基础。
2. 性能指标评估
- 准确率与精度：随训练轮次（epochs）增加，模型准确率从 10 轮时的 81% 提升至 50 轮的 97%，精度从 80% 增至 96%，显示 MIPIO 调参和 CPGRN 特征提取的有效性。
- 召回率与 F1 分数：召回率从 80% 升至 100%，F1 分数从 81% 增至 97%，表明模型对正负样本的分类能力显著增强。
- 特异性与敏感性：特异性从 82% 提升至 97%，敏感性从 83% 增至 95%，显示模型对健康与病叶的区分能力及对感染样本的检测灵敏度均显著提高。
- 马修斯相关系数（MCC）：从 0.87 升至 0.99，接近完美预测，验证模型整体泛化能力。
3. 与现有方法对比
与 SVM、ANN、KNN 等传统算法相比，该模型在各项指标上均显著领先（如准确率 97% vs. SVM 96%、KNN 89%），且训练时间仅 525 秒，计算复杂度低，适合农业场景部署。
结论与意义
本研究通过 CPGRN、MIPIO 和 DBAAL 的协同作用，突破了传统算法在真菌分支模式分割和病毒拮抗作用建模中的瓶颈，实现了水稻叶片病害的高精度预测。CPGRN 通过图 - 循环网络架构有效捕捉菌丝时空特征，MIPIO 优化的 CNN 提升了特征表达能力，DBAAL 则解决了病毒共感染的动态预测难题。研究结果不仅为水稻病害智能诊断提供了新工具，也为其他作物病害检测提供了方法论参考，有望推动精准农业发展，减少因病害误判导致的产量损失和资源浪费。未来可进一步扩展至细菌病害检测，提升模型在复杂田间环境中的适应性。
