《Image and Vision Computing》：Crop disease classification and fertilizer recommendation using hybrid black eagle optimized deformable convolutional Mobilecapsule network
编辑推荐：
•HBDCMNet 在基准数据集上实现了准确的作物病害分类。•残差密集学习与注意力学习增强了病害相关特征提取。•BEO 优化模型超参数以提升分类性能。•不确定性估计可识别置信度较低的病害预测。•基于置信度的建议支持更安全的施肥决策。引言作物病害对全球作物生产构成严重威胁，影响粮食
- •
HBDCMNet 在基准数据集上实现了准确的作物病害分类。
- •
残差密集学习与注意力学习增强了病害相关特征提取。
- •
BEO 优化模型超参数以提升分类性能。
- •
不确定性估计可识别置信度较低的病害预测。
- •
基于置信度的建议支持更安全的施肥决策。
引言
作物病害对全球作物生产构成严重威胁，影响粮食安全和经济可持续性 [1]。作物健康是决定产量和质量的关键因素，同时也是病害的指示指标，有助于作物管理。在众多植物健康指标中，叶片异常通常是病害最先出现的可见症状；因此，叶片已成为自动识别作物病害的主要目标 [2]。计算机视觉（CV）和机器学习（ML）领域的最新技术（SOAT）因此促使研究人员更接近开发高效、可扩展的方法来检测和治理作物病害，从而提高农业生产率 [3]。数据集中受影响叶片的示例见图1（见补充文件）。
从依赖传统方法到转变后的手动方法，作物病害检测的发展已转向高科技计算方法 [4]。最初，早期人工检查主要基于专家评估来确定植物特征。然而，机器学习技术开始崭露头角，通过使用手工特征（如颜色直方图、纹理和形状）提供半自动化的解决方案。虽然这些方法在受控环境中运行良好，但在涉及光照、遮挡和病害模式的复杂环境下未能取得理想结果 [5], [6]。
深度学习（DL）彻底改变了作物病害检测领域 [7]。卷积神经网络（CNN）的使用消除了手动特征工程的需求，因为它能够直接从数据中学习特征 [8]。早期方法如 AlexNet 和视觉几何组网络（VGGNet）在病害分类准确率方面取得了显著成功；然而，这些方法需要大量计算资源 [9], [10]。随后，更高效的架构如 SqueezeNet 和 EfficientNet 被引入，以在计算量和性能之间取得平衡。该领域仍存在一些问题，如细粒度病害信息、病害模式以及数据集泛化能力 [11], [12], [13], [14]。
当前植物病害分类方法能够提供高准确率的结果；然而，它们缺乏可解释性和预测置信度水平。在农业应用中，施肥决策必须基于可靠的预测以避免作物管理失误，这一问题尤为突出。针对这些困难，本研究采用了一个整合互补特征学习、优化、不确定性估计、可解释性和决策技术的框架。所提出的 HBDCMNet 的主要贡献之一是将这些技术整合在统一框架中。具体而言，可变形卷积与胶囊学习相结合，并与 MobileNet 和 CRDBANet 特征学习技术融合，以更好地建模病害区域的不规则性及其空间关系。BEO 方法作为离线技术用于调整模型的关键参数（如学习率、丢弃率和权重衰减），同时结合使用 MC Dropout 和 Grad-CAM++ 方法以估计预测不确定性和病害特异性可视化。主要贡献如下：
- ?
CRDBANet 将残差密集学习与空间和通道注意力相结合，克服了传统 CNN 和单一注意力方法在细粒度病害模式上特征细化能力有限的问题。
- ?
HBDCMNet 结合了 MobileNet、可变形卷积、胶囊学习和 CRDBANet，以捕捉传统 CNN 架构可能无法有效表征的不规则病害区域和空间关系。
- ?
BEO 自适应优化关键网络超参数，与传统优化和手动选择参数相比，提供了更好的收敛性和泛化能力。
- ?
MC-Dropout 结合 Grad-CAM++ 提供了不确定性感知的可解释性，通过识别病害相关区域并同时提供预测可靠性，扩展了传统可视化方法。
- ?
基于置信度的施肥推荐模块将病害分类扩展为决策支持，同时对不确定的预测进行标记以供验证，减少不可靠的推荐。
本文其余部分组织如下：第2节描述材料与方法，第3节呈现结果与讨论，第4节为结论。
Nigar 等人 [16] 提出了一种可解释人工智能方法用于农业病害分类框架，使用局部可解释模型无关解释（LIME）实现可解释性，提高准确率，辅助知识驱动的决策，并保障全球粮食安全。Li 等人 [17] 使用 Transformer 进行植物叶片检测，引入了改进的噪声过滤锚框目标检测方法，包括在 ResNet50 中使用 CBAM。Ali 等人 [18] 提出了一种植物病害分类流程，通过实现对比度受限自适应直方图均衡化（CLAHE）、自适应中值滤波（AMF）和类别权重平衡算法。
Shafik 等人 [19] 提出了双重植物病害检测系统，即初始融合和领先投票集成（LVE），与预训练的 CNN 系统融合，并通过分层特征选择过程进一步优化以实现更快的植物病害分类。模型在数据集的15个不同类别上进行了测试，表现出卓越的鲁棒性和泛化能力，解决了植物病害检测中的问题。Jesie 等人 [20] 使用模糊 C 均值聚类（FCM）技术结合改进的樽海鞘群优化算法来分割水稻叶片病斑并检测营养缺乏，同时使用混合 CNN（HCNN）检测病害和营养缺乏。Prashanth 等人 [21] 提出了一种通过增强金字塔卷积混洗二值注意力残差网络结合高级 Harris 鹰优化算法（EPCSAR-AHH）实时识别木薯叶病害的方法，为病害管理提供了稳健且高效的途径。
Kumar 等人 [22] 提出了一种使用 IoT 的环境条件测量系统，用于预测水稻植物病害管理的最佳农药。研究发现随机森林算法在预测准确率方面优于其他机器学习算法。Kotwal 等人 [23] 开发了一种使用自动深度学习与优化混合方法诊断植物叶片病害的新方法。该方法包括预处理、基于 U-Net 的分割（使用猎食者-猎物优化）、空间灰度共生矩阵的属性识别、尺度不变关键点检测、Gabor 滤波器，以及使用人工驱动高效网络（AD-ENet）进行分类。Valarmathi 等人 [24] 设计了一个 CNN 模型用于柑橘病害的识别和分类。
当前植物病害识别方法面临多个关键问题，影响方法在实际中的有效性。这些问题包括依赖高质量训练图像，在接收到不良数据时会对算法性能产生负面影响。诸如 LIME [16] 和 CBAM [17] 等算法需要大量不同数据才能保持准确性，而集成算法（如使用 CLAHE [18] 或 AD-ENet [23]）资源消耗大，并且不能很好地泛化到不同植物物种和其他条件。此外，基于 IoT 的方法 [22] 存在可扩展性问题，早期融合模型通常无法适应不同类型的植物病害。
所提出的 HBDCMNet 模型通过整合可变形特征提取、基于胶囊的关系推理、不确定性量化和可解释可视化技术，超越了混合模型。具体而言，所提框架的不确定性–Grad-CAM++ 模块提供基于可靠性的显著性图，实现病害的可解释识别和施肥建议。BEO 算法利用基于鹰探索-开发技术的搜索过程优化参数，收敛性提高约 12%，验证损失降低约 0.008。
章节摘要
叶片病害分类的方法学概述
HBDCMNet 模型的工作流程包含一些主要步骤。首先，对叶片图像进行图像预处理以提高其质量。图像被调整大小，并考虑采用诸如平移、翻转和缩放等操作来增加数据多样性，以避免过拟合。
然后是使用所提出的 CRDBANet 进行特征提取，该网络同时使用 CBAM 和 RDN。CBAM 的双重注意力机制使模型能够聚焦
结果与讨论
本节评估并对比多个估计参数，如准确率、Kappa 系数（KC）、精确率、F1 分数、召回率和特异度。
结论
所设计的 HBDCMNet 是一种高效、可靠且可解释的模型，融合了混合特征提取、可变形卷积层、胶囊表示、不确定性感知学习和 BEO 超参数调优，以实现精确的病害识别。与现有最先进模型相比，该模型的准确率提高了 0.55%–1.1%，而带有不确定性感知学习的 Grad-CAM++ 通过识别受影响区域增强了模型的可解释性
CRediT 作者贡献声明
Sivaramakrishna Yechuri: 写作 – 审阅与编辑，写作 – 初稿。 Mallekedi Anand: 验证，概念化。 Anuj Jain: 监督，项目管理。 Manoj Kumar Shukla: 形式分析，数据管理。
资助
本研究未获得来自公共、商业或非营利部门资助机构的任何特定资助。
利益冲突声明
作者声明，他们不存在可能影响本文所报告工作的已知竞争性经济利益或个人关系。
Sivaramakrishna Yechuri|Mallekedi Anand|Anuj Jain|Manoj Kumar Shukla
