基于智能手机成像与深度学习的草甘膦抗性一年生黑麦草快速检测概念验证

《AgriEngineering》：Classifying Glyphosate Resistance in Lolium rigidum Using Smartphone RGB Imaging and Deep Learning

　　摘要草甘膦抗性一年生黑麦草（*Lolium rigidum*）是澳大利亚谷物生产中的重大问题。早期检测抗性种群对于有效管理至关重要，然而目前基于生物测定法的检测需要21至28天。本概念验证研究测试了消费级智能手机成像技术结合机器学习和深度学习能否压缩这一时间线。研究选取一个已确认的草甘膦抗性（GR）种群和一个敏感（GS）种群，施用草甘膦（540 g ae ha?1），并在施药后0、3和9天（DPA）使用三星Galaxy S21拍摄RGB图像。图像在植株级别上通过分层5折交叉验证进行划分。通过迁移学习微调的预训练EfficientNet-B0在3 DPA时实现了95.45%的二元分类准确率，优于自定义CNN（90.91%）和随机森林（81.82%）。到9 DPA时，EfficientNet-B0达到了100%。在四分类（生物型×处理）任务中，EfficientNet-B0在3 DPA时准确率为60.98%，9 DPA时为94.44%，均超过CNN和随机森林。施药前的基线准确率为54.55%–72.73%，表明种群间存在固有差异；草甘膦施用后的准确率提升说明该除草剂增强了不同生物型之间的对比度。由于仅测试了一对种群，这些结果应被视为概念验证；在田间对多个独立种群进行验证显然是下一步方向。