《Smart Agricultural Technology》：SOFS-Rice: Self-Organized Field-Session Discovery and Risk-Aware Domain Generalization for Robust Rice Disease Diagnosis across Benchmark and North-Indian Fields
编辑推荐：
在真实田间进行准确的水稻病害诊断仍然具有挑战性，因为基于策展或基准数据集训练的模型在部署时的光照、背景杂乱、设备光学和当地农艺环境变化下通常会退化。研究人员提出了SOFS-Rice，一个针对智慧农业部署的实用框架，旨在解决两个操作差距：（i）真实田间数据集通常
在真实田间进行准确的水稻病害诊断仍然具有挑战性，因为基于策展或基准数据集训练的模型在部署时的光照、背景杂乱、设备光学和当地农艺环境变化下通常会退化。研究人员提出了SOFS-Rice，一个针对智慧农业部署的实用框架，旨在解决两个操作差距：（i）真实田间数据集通常缺乏可靠的元数据用于抗泄漏评估；（ii）当输入为分布外（OOD）或不确定时，决策支持应保留预测以减少风险干预。SOFS-Rice首先通过聚类图像嵌入并通过感知哈希合并近重复图像来构建自组织现场会话（SOFS），从而实现严格的按组训练/校准/测试分割，无需手动元数据。研究人员使用两阶段基准到现场策略训练了一个ConvNeXt-T教师模型：阶段1预热可选地利用公开的Paddy Doctor基准，映射为四种重叠疾病，而阶段2仅在现场数据上进行微调以减轻负迁移。通过带有周期预热调度的MixStyle鼓励域泛化（DG）。在推理时，预测不确定性（MC-dropout，即蒙特卡洛丢弃法）和基于能量的OOD评分与分割共形集预测相结合，以实现校准的弃权策略。最后，知识蒸馏生成一个紧凑的MobileNetV3学生模型，在相同的严格协议下进行评估，同时单独报告MC-dropout推理成本，以避免夸大实时边缘部署能力。研究人员将SOFS-Rice定位为一个面向部署的评估和决策支持框架，适用于缺乏可靠会话元数据的小型真实田间数据集，而非声称具有通用跨区域泛化能力。在包含659张图像的北印度田间数据集（四种疾病）上，多随机种子评估确认，与SOFS组分割相比，随机分割可能显著高估性能。所提出的风险感知策略显式揭示了准确率-覆盖率权衡和弃权原因，从而在现实分布偏移下实现保守的决策支持，而不假设完整流水线带来一致的增益。
**论文解读文章**
**研究背景、问题与意义**
水稻是全球粮食安全的基石，其病害（如细菌性叶枯病、稻瘟病、褐斑病和通格罗病）在温暖湿润条件下快速传播，需及时诊断以指导农药施用、灌溉调整等决策。然而，传统田间病害侦察依赖人工，耗时且受限。深度学习在公开基准（如PlantVillage和Paddy Doctor）上表现优异，但部署到真实田间时性能显著下降，主要面临三大问题：**数据泄露**：田间图像常存在近重复或共享背景，随机分割会导致模型利用背景线索，高估泛化能力；**负迁移**：公共基准与田间数据存在标签空间和成像统计差异，直接迁移可能损害性能；**可靠性不足**：模型在分布外（OOD）或不确定输入上输出错误预测，可能引发农药滥用或漏诊。现有方法缺乏针对缺乏元数据的小型田间数据集的泄漏抵抗评估和风险感知决策支持。为此，研究人员提出SOFS-Rice框架，旨在通过无元数据的分组、域泛化（DG）和校准弃权机制，实现稳健的水稻病害诊断。该工作发表于《Smart Agricultural Technology》。
**关键技术与方法**
研究人员使用以下主要技术方法：（1）**自组织现场会话（SOFS）分组**：通过ImageNet预训练ResNet50提取图像嵌入，经密度聚类（HDBSCAN）和感知哈希合并近重复，构造伪会话组，实现严格按组训练/校准/测试分割，无需元数据。（2）**两阶段基准到现场训练**：阶段1利用Paddy Doctor基准（映射为4类）预热，限制每类源样本数以防主导；阶段2仅用北印度田间数据微调，减轻负迁移。（3）**MixStyle域泛化**：在特征空间混合实例统计量，配合预热调度，增强对背景和光照变化的不变性。（4）**风险感知决策策略**：结合温度缩放校准、MC-dropout（蒙特卡洛丢弃法）预测熵、基于能量的OOD评分（从logits计算）和分割共形预测集，实现可解释弃权。北印度田间数据集包含659张图像（4种病害，细菌性叶枯病67张、稻瘟病101张、褐斑病168张、通格罗病323张），来源为生产环境自然采集。
**研究结果**
**5.1 泄漏抵抗评估：随机分割高估性能**
通过多随机种子（5个）比较，随机分割（A0）下教师模型确定性Macro-F1达0.888，而SOFS组分割（A1）降至0.701，Kept Macro-F1从0.941降至0.778，证实随机分割因泄漏显著高估性能。
**5.2 域泛化基线（A2）与完整流水线（A3）：归因与稳定性**
A2（添加MixStyle DG）下确定性Macro-F1为0.717，略高于A1但覆盖率降低（0.739）。完整流水线A3（DG+两阶段迁移+风险策略）未一致优于A1/A2，确定性Macro-F1为0.596，跨种子变异性大（置信区间宽），表明该配置应视为风险感知决策框架而非确定性准确率提升手段。其贡献在于校准弃权、结构化拒绝原因和可审计性。
**5.3 风险感知决策策略的组件消融（不重新训练）**
在不重新训练的情况下，分别使用熵、能量、共形集大小阈值及三者联合的策略，联合策略下Kept Macro-F1为0.602，覆盖率0.866，与单一信号基线相近，但改变了弃权原因分布。
**5.4 选择性风险-覆盖率行为（跨种子聚合）**
通过聚合最低熵样本的接收比例，绘制平均Macro-F1曲线，显示A1–A3下熵排序能有效区分难度，支持可控弃权。
**5.5 获取损坏下的鲁棒性**
在亮度、对比度、模糊和噪声（严重等级1–3）下评估A3教师，发现Kept Macro-F1随严重度下降但覆盖率保持有意义，表明策略未在中等损坏下崩溃。
**5.6 通过Grad-CAM的可解释性**
Grad-CAM叠加图显示，成功案例中注意力集中于症状区域；困难案例中注意力扩散，对应高熵和偶尔弃权。
**5.7 边缘部署能力与推理成本**
教师ConvNeXt-T参数278M，单次推理106.2ms；学生MobileNetV3参数1.5M，单次推理11.6ms。但MC-dropout（M=20）使推理时间倍增（教师约1.36s/图），学生约0.23s/图，提示需进一步压缩或使用确定性代理方法才能实现实时部署。
**总结与翻译结论**
讨论部分强调SOFS-Rice的主要局限：仅基于单个北印度小型数据集（N=659、4种病害），外部有效性有限；风险策略依赖校准集交换性假设，严重分布偏移下可能弱化；两阶段迁移对种子敏感。结论部分翻译如下：本文提出了SOFS-Rice，一个专为真实田间部署和分布偏移评估设计的水稻病害诊断实用框架。核心思想是可靠评估需在捕获会话级别进行泄漏抵抗分割，而真实田间数据集常缺元数据。SOFS-Rice通过嵌入聚类（HDBSCAN）和感知哈希合并近重复构建自组织现场会话组（SOFS），实现无手动标注的严格按组划分。在此基础上，结合三方面组件：（i）两阶段基准到现场训练（利用Paddy Doctor预热，田野微调控制负迁移，但种子敏感），（ii）带预热调度的MixStyle域泛化减少风格敏感度，（iii）整合MC-dropout不确定性、能量OOD评分和共形预测集的校准弃权策略。系统输出类别标签或带有可解释原因的弃权决策，支持安全决策。多随机种子实验表明随机分割相比SOFS组分割显著高估性能；在严格SOFS分割下，完整流水线未一致主导简化基线，但提供了校准弃权、显式拒绝原因和可审计的可靠性权衡。此外，提供了Grad-CAM定性证据和损坏鲁棒性测试，并将教师蒸馏为MobileNetV3学生以减少模型大小和单次推理延迟，同时量化MC-dropout额外成本。未来工作将扩展数据集、探索连续适应、整合多模态信息，并进行用户中心研究以评估弃权对农民信任的影响。SOFS-Rice通过将评估严谨性、可靠性和可部署性作为首要目标，为更安全的AI辅助作物健康监测提供了现实基线和可复现路径。
