编辑推荐：
总体而言，技术与农业之间的协作日益紧密。农业涵盖众多作物，包括在不同条件下种植的蔬菜和水果类型。气候和土壤类型是马铃薯生长过程中的主要影响因素。另一个因素——块茎本身，在决定马铃薯生长特性方面也起着至关重要的作用。因此，区分不同类型的块茎是有益的，尤其是在供应
总体而言，技术与农业之间的协作日益紧密。农业涵盖众多作物，包括在不同条件下种植的蔬菜和水果类型。气候和土壤类型是马铃薯生长过程中的主要影响因素。另一个因素——块茎本身，在决定马铃薯生长特性方面也起着至关重要的作用。因此，区分不同类型的块茎是有益的，尤其是在供应链环节。一旦块茎被正确区分，对块茎的细致检查可作为分析马铃薯内部元素和矿物质的有效方法。在该领域运用机器学习有助于获得更深入的结论。视觉几何组（Visual Geometry Group）构建了VGG-19模型，该模型被用于对不同马铃薯品种进行分类。通过停止神经网络最后一层的训练来实现迁移学习（Transfer Learning）。进一步地，研究使用了五种元启发式方法（GA、PSO、ABC、ALO和GWO）来获取最佳超参数，其效果优于未使用元启发式方法的结果。人工蜂群算法（Artificial Bee Colony, ABC）在测试集上对六个马铃薯品种的分类准确率达到90%，超越了其他方法及标准方法，比标准方法提高了23%，同时获得了最优的指标值。
论文解读
一、研究背景与意义
马铃薯作为全球重要的粮食作物之一，与水稻、玉米和小麦共同支撑着世界粮食安全。马铃薯易于种植且在全球广泛栽培，是多种营养素、矿物质和生物活性化合物的重要来源。然而，马铃薯品种的区分面临诸多挑战：气候条件、土壤类型、灌溉施肥操作、收获季节等因素都会影响马铃薯的外观表现，即使来自同一农场、相同气候条件下生长的马铃薯，其大小和形状也可能存在显著差异。例如，在寒冷恶劣环境中生长的马铃薯颜色偏浅，而在温暖柔和环境中则颜色更为鲜亮。此外，不同品种的马铃薯在块茎形状、表皮颜色、果肉颜色、成熟期、休眠期等形态学和农艺学特征上存在细微差异，这些差异往往难以用肉眼准确辨别。
在供应链管理中，正确区分马铃薯品种对于后续的元素和矿物质分析至关重要。传统的人工鉴别方法不仅依赖领域专家的经验，还容易受到人为偏见、信息误传和疏忽等因素的干扰。特别是在农户、村民与当地供应商之间的流通环节，品种混淆的风险较高。因此，开发一种高效、准确的自动化马铃薯品种分类方法具有重要的实际应用价值。
近年来，深度学习技术在农业领域的应用日益广泛。卷积神经网络（Convolutional Neural Network, CNN）凭借其强大的非线性特征提取能力，在图像分类任务中表现出色。预训练模型通过迁移学习可以显著节省训练时间并提升模型性能。然而，深度学习模型的性能高度依赖于超参数的设置，如学习率和批大小等。传统的超参数调优方法通常依赖人工经验和网格搜索，效率较低且难以获得全局最优解。元启发式算法（Meta-heuristic Algorithms）作为一种领域无关的优化方法，能够在给定约束条件下有效改进求解结果，已在医学、工程、航空航天等多个领域得到广泛应用。将元启发式算法与深度学习模型相结合，用于马铃薯品种的自动分类，是本研究开展的核心动机。
二、研究内容与主要结论
本研究旨在利用VGG-19深度学习模型结合五种元启发式优化算法，实现对六个马铃薯品种（Bettina、Granola、Madeleine、Marabel、Orchestra和Otilia）的准确分类。研究结果表明，所有使用元启发式算法优化超参数的方案均优于使用固定超参数的标准方案，其中人工蜂群算法（Artificial Bee Colony, ABC）表现最佳，在测试集上达到90%的分类准确率，比标准方法提高了23%。这一结果验证了元启发式算法在深度学习超参数优化中的有效性，为农业智能化分类提供了新的技术路径。
三、关键技术方法
研究人员从土耳其安纳托利亚西部地区多个农场采集马铃薯块茎样本，剔除腐烂和清洗过的马铃薯后，最终获得639张高分辨率（2752×5664像素）图像，涵盖六个品种，每类样本超过100张，数据集均衡。图像在一致的照明条件、拍摄距离和拍摄角度下，以灰色瓷砖为背景拍摄，并统一调整为224×224像素以适应神经网络输入。
研究采用VGG-19作为基础分类模型，该模型包含16个卷积层、1个展平层和1个全连接层。通过迁移学习策略，冻结预训练的ImageNet权重，仅在最后一层添加密集层（Dense Layer）和Softmax分类层。超参数优化方面，研究人员使用五种元启发式算法——遗传算法（Genetic Algorithm, GA）、粒子群优化（Particle Swarm Optimization, PSO）、人工蜂群算法（Artificial Bee Colony, ABC）、蚁狮算法（Ant Lion Optimizer, ALO）和灰狼优化（Grey Wolf Optimizer, GWO）——在批大小（4至32）和学习率（e??至e?2）的搜索空间内寻找最优超参数组合。所有算法的搜索代理数量设为10，最大迭代次数设为5。训练过程中采用自适应矩估计（Adaptive Moment Estimation, Adam）优化器、稀疏分类交叉熵（Sparse Categorical Cross Entropy）损失函数和早停（Early Stopping）机制。数据集按70%（430张）、15%（101张）、15%（108张）的比例随机划分为训练集、测试集和验证集。
四、研究结果
数据集特征与模型结构。 研究使用的数据集具有高分辨率、均衡分布、新鲜采集、背景一致等优势。VGG-19模型包含约1.38亿个非可训练参数（来自冻结的ImageNet权重）和少量可训练参数（来自新增的密集层）。模型结构如表2所示，非可训练参数代表冻结层的参数，利用ImageNet预训练权重进行迁移学习可显著节省训练时间。
元启发式算法参数设置。 五种元启发式算法共享搜索代理数量和最大迭代次数等公共参数，同时各算法具有独特的控制参数以调节探索与开发之间的平衡。所有算法的搜索空间保持一致，批大小范围为4至32，学习率范围为e??至e?2，以确保比较的公平性。
分类性能对比。 在测试集上的分类结果表明，所有元启发式优化方案均优于标准方案。其中，ABC算法表现最为突出，准确率达到90%，比标准方法提高了23%。雷达图（图3）和混淆矩阵（图4）直观展示了六种方法在准确率、精确率、召回率、F1分数、特异性和G-Mean六项分类指标上的综合表现。ABC算法在各项指标上均取得最优值，验证了其在超参数搜索中的优越性。
五、讨论与结论
研究证实了将元启发式算法与深度学习模型相结合用于马铃薯品种分类的可行性和有效性。元启发式算法通过模拟自然界中的生物行为或物理过程，在探索与开发之间建立动态平衡，能够在有限的迭代次数内找到优于人工设定的超参数组合。ABC算法之所以表现最佳，可能与其独特的三类蜜蜂分工协作机制有关：雇佣蜂负责邻域搜索、旁观蜂基于概率选择优质解进行精细开发、侦查蜂在解停滞时进行重新初始化，这种机制使其在二维超参数搜索空间中具有更强的全局搜索能力。
本研究的局限性在于数据集规模相对较小（639张图像），且仅针对土耳其西部地区常见的六个马铃薯品种。未来研究可扩展至更多品种、更大规模的数据集，并尝试其他深度学习架构（如ResNet、EfficientNet等）与其他元启发式算法的组合。此外，将图像采集标准化与数据增强技术相结合，有望进一步提升模型的泛化能力。本研究为农业领域的智能化作物品种鉴别提供了可借鉴的技术框架，对供应链中的品种管理和质量控制具有重要的实践意义。
