《Cogent Food & Agriculture》：Evaluating multitask deep learning for multi-crop plant health recognition under seed variation and crop transfer
编辑推荐：
在基于图像的植物病害识别中，架构性主张通常基于每种配置的单次训练运行，且病害严重度很少独立于分类器进行测量。研究人员在共享冻结ResNet50（残差网络50层，ResNet50）骨干上比较了四种用于联合作物–健康识别的输出形式：单任务联合分类、带独立头的多任务
在基于图像的植物病害识别中，架构性主张通常基于每种配置的单次训练运行，且病害严重度很少独立于分类器进行测量。研究人员在共享冻结ResNet50（残差网络50层，ResNet50）骨干上比较了四种用于联合作物–健康识别的输出形式：单任务联合分类、带独立头的多任务学习、多任务融合，以及以作物与健康后验为条件的多任务融合。每种形式均以五个随机种子训练（共20个模型），使用5,235幅betel vine、brinjal、ladies finger和Malabar spinach叶片图像。通过独立双评估与裁决构建了96幅图像的序数严重度参照，并在3,295幅未见过的potato图像上评估所有模型。单任务与两种融合形式在统计上不可区分（联合准确率89.36–89.77%）；后验条件化无可检测效应（+0.18个百分点，p=0.475），而独立头在健康状态准确率上表现较差（?4.73个百分点，p=0.019）。种子变异与形式差异相当。二值标签在18.75%的参照图像上与裁决严重度不一致。在potato上，所有模型判别良好（ROC-AUC（受试者工作特征曲线下面积，ROC-AUC）0.919–0.956），但需要更高的阈值，且形式排序在田间图像与数据库图像之间发生反转。尽管以二值标签训练，模型输出与裁决严重度相关（Spearman ρ（斯皮尔曼秩相关系数，Spearman ρ）0.605–0.715）。
研究背景与问题：作物病害持续威胁农业生产力、产量与可持续性，快速诊断和早期干预对限制病害扩散与生产损失十分重要。人工视觉检查费力、难以规模化且存在明显的观察者间变异；化学防控仍常采用忽略病害位置与严重度的全面喷施，增加农药使用、生产成本与环境负担，多作物种植下叶片结构与症状表现差异使这些问题更突出。卷积神经网络已推动基于图像的植物病害识别，但多数分类器将每个作物–病害组合作为单一平铺输出的独立类别；架构比较常基于每种配置单次训练运行，无法把输出形式效应与运行间变异分开，且替代输出头的参数容量差异少被控制。识别病害是否存在并不等于判断其严重度，而严重度决定管理；自动严重度估计多依赖分割路线，严重度参照少见独立评估者、量化一致性和预先规定的裁决，且仅用二值健康/病害标签训练的分类器是否编码可见损伤程度尚缺乏实证。跨作物、光照与地理的域偏移也使分布内准确率未必指示使用条件下的行为。
研究设计与意义：研究人员在共享冻结ResNet50（残差网络50层，ResNet50）骨干上对四种输出形式进行容量匹配消融：单任务联合分类（E02）、独立头多任务学习（E04）、无后验多任务融合（E06）和以后验为条件的多任务融合（E05），每式五个随机种子共20个模型，并以配对统计检验比较而非单次运行。研究构建四作物八类基准，纳入独立双评估与裁决的序数严重度参照，并在未见过的potato上按采集来源分层进行外部验证，同时开展严重度响应与统一干预分配的决策策略模拟。结论是E02、E06和E05统计上不可区分，后验条件化无可检测效应，独立头在健康状态识别上较差；种子变异与形式差异相当；二值标签与裁决严重度在18.75%参照图像上分歧；potato上所有模型判别良好但需更高阈值，形式排序在田间与数据库图像间反转；二值训练输出仍与裁决严重度相关。其意义在于证据支持最简单的单任务联合分类，并强调多随机种子评估、独立严重度参照和按采集来源外部验证的必要性。
关键技术方法：研究人员构建四作物八类基准，共5,235幅叶片图像，来源包括印度卡纳塔克邦作者田间采集，以及孟加拉国Betel Leaf Image Dataset和SLIF-Brinjal in-field数据集；从验证集按联合类别各取12幅共96幅构建严重度参照，由两名评估者独立评估并裁决；外部验证使用PLDD-UP马铃薯叶片数据集与作者田间图像，共3,295幅（健康1,577、不健康1,718）。在共享冻结ResNet50（残差网络50层，ResNet50）骨干上比较四种输出头，每式5个随机种子共20个模型；采用配对t检验和逐种子McNemar检验（麦克尼马尔检验，McNemar），并评估ROC-AUC（受试者工作特征曲线下面积，ROC-AUC）、PR-AUC（精确率-召回率曲线下面积，PR-AUC）、Brier评分（Brier score）、ECE（期望校准误差，ECE）及严重度关联。
研究结果：
3.1 输出范式消融：初步骨干比较中ResNet50测试准确率最高（88.42%），但区间重叠且各骨干仅训练一次。E02、E06和E05表现几乎一致，联合准确率89.36–89.77%，健康状态准确率90.20–90.38%；E04最差（联合87.76%、健康85.47%）且随种子波动最大。配对比较显示E02较E04健康准确率高4.73个百分点（p=0.019）且在五个种子均一致，E04至E06提高4.89个百分点（p=0.022）；E06至E05仅+0.18个百分点（p=0.475），E05较E02联合准确率+0.41个百分点（p=0.306）。唯一表现较差的形式为无隐藏层的独立头，缺陷在健康状态识别；五种子对约1个百分点以下差异检验效能有限。
3.2 类别级性能、误差结构与预测一致性：brinjal两类F1最高（93.5–96.3），最弱类别为diseased ladies finger、diseased Malabar spinach和healthy ladies finger；diseased ladies finger召回率低（51.5–63.1%），多被预测为healthy ladies finger。各形式混淆矩阵几乎不可区分，89.5–90.7%的联合错误为正确作物内的健康状态混淆，跨作物混淆少见。独立头在11.8%测试图像上出现头-联合矛盾（head–joint contradictions），融合减至5.9%，加后验为5.1%，E02仅0.6幅；E04中平均32.8幅图像联合头错误而两个任务头均正确，E06为22.2、E05为18.0、E02为0.4。
3.3 运行间变异：20次运行均在17–46轮早停，最佳检查点在7–36轮；融合形式峰值更早。仅种子引起的测试性能变化与形式差异相当或更大：E02、E06和E05联合准确率跨种子范围0.89–1.65个百分点，而三者均值最大差仅0.41个百分点；E04范围为联合4.07、健康6.36个百分点。单次运行比较可将E02、E06和E05排成任意顺序；最佳验证与测试联合准确率仅弱相关（Spearman ρ=0.35，p=0.13）。
3.4 严重度参照结果：95对评估中，完全一致61幅（64.21%），相邻一类内一致84幅（88.42%）；Cohen’s κ（科恩卡帕系数，Cohen’s κ）=0.5044（中等），线性加权κ=0.6374（充分），35例进入裁决。34例分歧中32例第二评估者给出更严重类别（符号检验p=6.9×10
?8），提示评估者校准差异。裁决参照含38幅NONE、19幅LOW、17幅MEDIUM、22幅HIGH；18/96幅（18.75%）与二值标签分歧：14幅标为Healthy但可见症状，4幅标为Unhealthy但无症状，集中于brinjal、ladies finger和betel；brinjal健康类别还部分与采集来源混杂。
3.5 决策策略模拟：在96幅参照图像上，统一基线对48幅Unhealthy均赋最大负担；自适应策略按裁决类别分配，其中20幅PRIORITY_INTERVENTION、14幅TARGETED_INTERVENTION、10幅MONITOR、4幅NO_INTERVENTION；48幅Healthy中14幅获得某种干预。等间距下自适应总负担119对144，相对政策负担（RPB）82.64%（少17.4%）；betel减少72.2%，brinjal增加25.0%，ladies finger减少13.9%，Malabar spinach减少8.3%。凹形、等间距和凸形权重下分别减少7.8%、17.4%和26.6%；仅存在性边界情形反转为增加20.8%，说明分级方案下总负担降低源于严重度分级而非病害检测。
3.6 未见作物外部验证：所有模型在potato上判别良好，ROC-AUC为0.919–0.956；固定阈值0.50时平衡准确率71.5–89.2%，错误以健康叶预测为病叶为主，敏感性90.0–93.6%、特异性64.9–82.8%。所有20个模型的最佳平衡准确率阈值均高于0.50（0.60–0.92），重校准平均提高4.8个百分点但属事后乐观估计。内部联合准确率与外部平衡准确率（ρ=?0.19，p=0.42）、ROC-AUC（ρ=0.04，p=0.87）和ECE（ρ=0.12，p=0.61）无关；内部健康准确率与外部平衡准确率负相关（ρ=?0.49，p=0.027），与ECE正相关（ρ=0.58，p=0.007）。按来源，数据库图像判别更好且最佳阈值更高；田间图像上E02迁移最好，数据库图像上融合形式更好，合并评估会掩盖排序反转；融合的合并优势主要来自占外部集84%的数据库图像。
3.7 模型输出与裁决严重度关联：尽管无模型见过严重度标签，20个模型的预测病害概率均随裁决严重度升高；Spearman ρ为0.605–0.715（各p<10
?10），Kruskal–Wallis检验（克鲁斯卡尔-沃利斯检验，Kruskal–Wallis）p≤1.0×10
?7，Cochran–Armitage趋势检验（科克伦-阿米蒂奇趋势检验，Cochran–Armitage）p≤1.4×10
?7。NONE中位预测概率低于0.05，HIGH高于0.88；在Unhealthy标签内ρ为0.26–0.47（18/20模型p<0.05），控制标签后的偏相关为0.12–0.36（15/20模型p<0.05）。模型区分NONE与LOW、MEDIUM与HIGH，但不能区分LOW与MEDIUM，支持三个严重度层级。E04关联最弱，后验条件化未增强关联，E02与E05差异不显著（p=0.052）。
讨论部分总结：讨论指出，超越单个隐藏层的架构复杂化未改善识别；唯一无容量或结构混杂的E06与E05比较未发现后验条件化效应，E02、E06和E05不可区分，E04缺少隐藏层且仅在健康状态识别上不足。最可辩护的解读不是多任务学习普遍无效，而是在该基准上单个非线性隐藏层足以达到冻结ResNet50表示支持的上限；分解联合任务或以任务后验为条件均未提高该上限，最复杂形式的优势不太可能超过约1.4个百分点。与Ray et al.双头设计结构对应的E04在本研究中是最弱且最不稳定的形式；种子单独造成的变化与形式差异相当，提示此类架构主张需重复运行和配对检验。头-联合一致性具有实践意义：独立头约每八幅出现一次自相矛盾诊断，融合约每二十幅一次，而E02通过联合输出边缘和按构造避免该风险且参数更少。严重度参照显示二值标签在近五幅中有一幅与可见严重度分歧，集中于healthy brinjal、healthy ladies finger和症状最轻的diseased betel，这与Bock et al.所述视觉病害评估测量误差一致，并部分解释误差结构；brinjal识别最佳但超过半数Healthy参照图像有症状且健康类别大体随采集来源划分，故其准确率应读作与既有标注一致而非绝对症状识别准确率。决策模拟显示严重度响应规则相对标签驱动统一处理既降级又升级，平衡依作物而异；分级权重下仅总体差异方向稳健，幅度（7.8–26.6%）依赖未验证的等间距假设，存在性规则会反转结果，操作使用需预先说明并论证权重；实践中严重度还须与生育期、天气驱动感染风险和田间病史结合。外部验证强化了数据集偏移担忧：所有模型能判别potato但训练阈值均失准，内部准确率不预测外部表现，形式排序在采集来源间反转；田间图像上最简单形式判别与校准最好，故判别和操作阈值均须在接近目标条件的数据上重新建立。模型输出与裁决严重度的关联在20个模型中无一例外，说明二值监督可诱导排序可见损伤程度的输出，但关联是部分的，LOW与MEDIUM未分开，预测概率不能替代裁决参照。局限包括：结论基于一个冻结ResNet50骨干和未调默认超参数，五种子对约1个百分点以下差异效能有限；严重度参照为96幅图像、由非植物病理学家团队成员内部评估，且评估时可见记录标签；基准来源在文件级近似，betel来自单一贡献数据集，brinjal健康状态部分与采集来源混杂；外部验证仅一个未见作物和519幅田间图像；模拟仅条件于严重度、使用无量纲负担；部署架构为概念性，未实现机器人或喷施执行，也未测推理延迟。
研究结论部分翻译：本研究将两个常被混淆的问题分开：哪种输出形式最能识别作物与健康状态，以及评估严重度应如何转化为干预决策。在受控五种子方案下，多任务分解和后验条件化融合均未优于直接单任务联合分类，这是一个负向但有信息量的结果。单任务分类还按构造避免头-联合矛盾，并在未见作物的作者田间图像上迁移最好，因此证据支持最简单形式。更大的部署障碍在别处：分布内准确率不预测迁移，决策阈值需在目标作物和来源上重新建立，二值标签以作物依赖方式与裁决严重度分歧。二值训练输出仍携带稳健的序数严重度信息，足以区分三个严重度层级，而严重度响应策略的收益依赖未经验证的权重假设。未来工作应测试微调骨干和替代骨干，将外部验证扩展至更多作物和纯田间来源，用受过训练的植物病理学家扩大严重度参照，并通过严重度监督模型将感知与决策支持耦合。在决策类别可用于操作建议前，必须以农艺阈值、产品特定标签推荐剂量和作物特定推广指南为基础，并纳入生育期、天气和病害历史，且概念性部署平台必须被实现和评估。
