《Discover Plants》：Fractional transform assisted image recognition with genetic diagnostic calibration for plant disease detection
编辑推荐：
植物病害的早期准确检测对于保障农业生产力、减少作物损失和维护粮食安全至关重要。传统的基于图像的识别系统虽然前景广阔，但在实际农业环境中部署时常面临局限。光照变化、重叠的病害症状以及实验室 curated 数据集与田间图像之间的差异降低了其鲁棒性和可靠性。与此同
植物病害的早期准确检测对于保障农业生产力、减少作物损失和维护粮食安全至关重要。传统的基于图像的识别系统虽然前景广阔，但在实际农业环境中部署时常面临局限。光照变化、重叠的病害症状以及实验室 curated 数据集与田间图像之间的差异降低了其鲁棒性和可靠性。与此同时，CRISPR（Clustered Regularly Interspaced Short Palindromic Repeats，成簇规律间隔短回文重复序列）等基因诊断工具已在分子水平确认方面展现出巨大潜力，但这些工具与图像识别工作流相互分离，从而限制了其在田间应用中的实用性。本研究引入FRaGILE（Fractional-transform-augmented Genetic-diagnostics-Integrated LEarning framework，分数阶变换增强遗传诊断集成学习框架），一种新颖的框架。该框架独特地将分数阶谱-空间变换与深度学习架构相结合以提高病害分类精度。分数阶傅里叶变换（Fractional Fourier Transform, FrFT）和小波变换被用于捕捉不同分数阶下的病变纹理和频率特征，同时卷积神经网络（Convolutional Neural Network, CNN）和Transformer骨干网络被训练以学习判别性和不变性表示。此外，贝叶斯校准层纳入可选的基于CRISPR的诊断信号，改进置信度估计并减少模糊情况下的假阳性。实验验证使用多源植物病理学数据集进行，包括高光谱和可见光基准数据集。结果表明，与基线卷积网络相比，F1分数和AUROC（Area Under the Receiver Operating Characteristic curve，受试者工作特征曲线下面积）均有持续提升。敏感性分析揭示，0.6至0.9范围内的分数阶变换阶数产生最优性能，而分数阶拉普拉斯增强的纳入进一步强化了可变光照下的检测能力。所提出的系统在适用于智能手机和边缘设备的硬件-软件栈上实现，支持田间部署。该混合工作流从基于图像的分诊开始，并在必要时利用基因确认，建立了一种实用、可扩展且科学严谨的植物病害检测方法。通过融合表型和基因型洞察，FRaGILE为农业中更可靠、可操作和可持续的病害管理奠定了基础。本研究聚焦于通过将基于分数阶变换的图像识别与遗传信息诊断校准相整合以解决准确植物病害检测的挑战。传统仅基于图像的方法在早期感染和视觉模糊症状方面往往表现不佳，这是由于光照变化、背景杂乱和类间相似性等多种因素所致。为弥补这一差距，研究人员引入FRaGILE：分数阶表示与遗传集成学习引擎（Fractional Representation and Genetic Integrated Learning Engine），一种混合框架，该框架协同融合表型图像特征与模拟的基于CRISPR的分子证据。本研究试图回答的核心研究问题为：RQ1：分数阶变换是否提高了特征对噪声和光照变化的鲁棒性？RQ2：遗传诊断校准是否提高了分类中的置信度和可靠性？所提出的混合框架在不同植物病害数据集上能够优于最先进的深度学习模型。
植物病害的快速准确检测对保障粮食安全、优化产量和实现可持续农业实践至关重要。然而，由于复杂场景背景、变化光照、植物器官遮挡以及生物和非生物胁迫源的重叠信号，在实际田间条件下实现鲁棒诊断仍具挑战性。尽管卷积神经网络（CNN）和基于Transformer的架构在Plant Village等基准数据集上取得了显著成功，但其泛化能力在暴露于"野外"田间图像时往往会下降。这一局限性促使研究人员探索能够提供鲁棒性和可靠性的新型特征提取和不确定性校准框架。
分数阶变换——特别是分数阶傅里叶变换（FrFT）和分数阶小波变换——通过提供空间域和频率域之间的可调表示，展现出广阔前景。这些变换强调中层纹理和方向特异性特征，对分析叶部症状尤为重要，如叶脉紊乱、病变边缘和黄化斑块。与传统谱变换不同，分数方法引入可调阶参数，允许针对多样化病害表现定制表示，可能改善噪声和域偏移场景中的识别效果。同时，基因工程领域特别是在CRISPR分子诊断方面的进步，为植物病害确认开辟了互补途径。CRISPR-Cas12a和Cas13检测法通过荧光或侧向层析读数实现病原体的快速特异性核酸检测，但基因诊断功能常被孤立，与基于图像的方法相互分离。
针对上述研究空白，研究人员提出FRaGILE（FRactional-transform-augmented Genetic-diagnostics-Integrated LEarning）统一框架，通过贝叶斯证据融合将分数阶变换图像特征与基于CRISPR的分子证据耦合。该框架包含五个主要步骤：图像采集、分数阶图像预处理、多阶特征标记化、骨干网络深度推理和贝叶斯CRISPR校准。研究假设为：分数阶特征增强对分布外田间数据的鲁棒性；分子证据改善置信度校准；混合方法减少误报从而降低干预成本。该研究成果发表于《Discover Plants》。
研究采用的关键技术方法包括：基于分数阶傅里叶变换（FrFT）和分数阶小波变换的多阶特征提取，在α∈{0.3, 0.5, 0.7, 0.9}等可调阶数下捕获病变纹理和频率特征；采用CNN-Transformer混合骨干网络，结合残差注意力机制融合RGB/HSI通道与分数阶特征的双流架构；基于贝叶斯校准层的CRISPR证据集成，将Cas12a/Cas13检测信号作为分类证据进行后验概率更新；以及针对Jetson Nano和智能手机等边缘设备的轻量化部署优化，包括量化分数阶运算和模型压缩。实验验证使用PlantVillage、FGVC Plant Pathology 2021和多源高光谱基准数据集。
分数阶预处理与增强方面，研究人员对输入图像应用分数阶拉普拉斯算子（-Δ）
γ（γ∈(0,1]）增强中频病变边缘，并采用分数阶各向异性扩散步骤降噪同时保留纹理。训练时从γ~U[0.4,0.9]采样以促进不变性。与经典傅里叶变换不同，FrFT提供阶可调的时间-频率连续统，能够有选择地强调叶脉结构、病变和黄化纹理。分数阶小波变换支持局部化多尺度分析，增强噪声下的症状边缘。这些变换生成的多域表示与原始RGB输入融合，形成双通道张量，经奇异值分解（SVD）降维保留95%累积方差，最终生成六通道张量传入骨干网络。
分数阶特征库构建方面，研究计算多角度和多阶α∈{0.5, 0.7, 0.9}的FrFT投影，生成每像素的幅度/相位特征；分数阶小波包捕获多尺度振荡。低阶变换保留全局外观，高阶增强微纹理特征。通过SVD压缩后，这些压缩库与原始RGB输入堆叠，创建六通道张量传入骨干网络。
骨干网络与融合方面，FRaGILE采用双流架构处理RGB/HSI和分数阶特征。交叉注意力融合双流；全局平均池化产生logits。核心特征提取采用轻量CNN（ResNet-18）捕获局部空间模式，Transformer编码器捕获全局依赖。分数阶特征库和RGB通道通过卷积层联合嵌入，实现跨阶交互。CNN捕获叶脉级纹理和病变边缘，Transformer关注叶片上的分布式病害区域。中间特征通过残差注意力融合，确保分数阶线索不被原始图像特征掩盖。为处理多模态集成，晚期融合机制将图像预测与CRISPR证据结合，引入贝叶斯校准模块调整置信度分数。
CRISPR证据集成方面，当Cas12a检测可用时，荧光分数s∈[0,1]映射为病原体存在先验π，执行贝叶斯更新：P(y=k|x,s)∝p(y=k|x)·P(s|y=k)/∑
jP(s|y=j)，其中P(s|y)为从小样本验证集拟合的类条件Beta密度。CRISPR读数通过智能手机集成，经轻量化OCR或直接数字信号采集，遵循证据理论校准原则，减少特别是在农药部署或检疫执法等高风险情境中的误报。
训练采用两阶段策略：图像预训练和联合表型-基因组微调。骨干网络在PlantVillage和FGVC数据集上使用带标签平滑的交叉熵损失预训练；微调时启用贝叶斯证据融合层，采用Adam优化器，初始学习率1×10
-4，权重衰减1×10
-5，余弦退火调度。辅助不确定性正则化最小化期望校准误差（ECE），改善分布偏移下的可靠性。
实验结果表明，在PlantVillage数据集上，FRaGILE接近完美表现；在更具挑战性的Plant Pathology 2021田间数据集上，精度和召回率均有实质性提升。与常规CNN相比，F1分数显著提高，表明假阳性和假负性的良好平衡。分数阶变换阶数在0.6至0.9范围内产生最优性能，分数阶拉普拉斯增强进一步强化可变光照下的检测。消融研究证实，移除分数阶预处理导致性能持续下降（准确率降低3%，ECE增加4%）；HSI集成改善光谱-空间判别，水稻病害集上AUROC提升5%；CRISPR融合在视觉模糊情况下增强分类鲁棒性，APS/FGVC上F1提升6%。边缘部署方面，量化分数阶核的移动优化变体实现约85ms/图像的实时推理，相比完整模型仅下降2-3%准确率。
讨论部分，研究确认分数阶特征库能够强调标准CNN滤波器未充分利用的病变特异性纹理单元和定向叶脉模式，支持假设H1。高光谱实验表明，分数核将光谱可分离性的部分特性转移回RGB通道，弥合实验室与无控田间条件之间的性能差距。CRISPR辅助校准通过融合基因组荧光读数与图像特征，减少过度自信并增强AUROC、降低ECE，在模糊症状和混合感染情况下尤为显著，支持假设H2。贝叶斯校准框架展示出数据效率，小样本校准集足以拟合荧光分布的Beta似然。与注意力引导CNN、EfficientNet基线和混合模型相比，FRaGILE在可比的准确率基础上，显著改善校准可靠性和能效。量化友好设计支持边缘和移动硬件上的流畅部署，满足假设H3。
研究结论指出，FRaGILE框架可有效部署于智能手机和边缘设备上的图像优先分诊系统，确保快速筛查同时节约计算资源。CRISPR确认应保留用于高不确定性情况，当概率置信度分数低于可接受阈值时启用。实证证据表明，使用α∈{0.5, 0.7, 0.9}结合增强参数γ≈0.7可通过强调纹理不规则性和叶脉紊乱实现稳定性能。温度缩放和Beta拟合校准应在决策前应用以确保可靠的不确定性估计。该方法的局限性在于未提供湿实验室CRISPR协议，性能可能因检测设计、荧光读数和田间处理程序而异；极端光照和叶片遮挡下的域偏移仍存在，高光谱成像优势受限于专业传感器普及不足。未来方向包括：扩展至多病原体、多标签分类；引入物理启发的光照归一化和基于分数阶元特征的少样本自适应；探索多重CRISPR检测组合和叶片上微型光学读数以增强分子-成像融合用于田间诊断。本研究的主要贡献为：建立融合空间与频率域特性的分数阶特征提取系统；采用贝叶斯遗传校准技术优化的CNN-Transformer混合架构；在公开植物病害数据集上的全面实验评估；以及增强精准农业和早期病害检测的 interpretability 和鲁棒性。
