《Nanomaterials》：Optimization of Mechanical Properties of Eco-Friendly Mortar Containing Wood Ash and Nano Silica Using Response Surface Methodology and Artificial Neural Networks
编辑推荐：
全球鳄梨产量每年超过1000万吨。在影响鳄梨果实的病害中，炭疽病（anthracnose）是最严重的之一，会导致黑色病斑和果实腐烂，造成20–30%的产量损失。为促进炭疽病的早期检测，本研究提出一种基于计算机视觉的方法。首先构建了一个包含2218张Fuert
全球鳄梨产量每年超过1000万吨。在影响鳄梨果实的病害中，炭疽病（anthracnose）是最严重的之一，会导致黑色病斑和果实腐烂，造成20–30%的产量损失。为促进炭疽病的早期检测，本研究提出一种基于计算机视觉的方法。首先构建了一个包含2218张Fuerte鳄梨图像的数据集，标记后包含1730个健康样本和488个炭疽病感染样本。实验阶段，研究人员设计了多个不同深度（3、4、5、6层）的卷积神经网络（CNN）模型并进行评估。随后将这些模型集成到不同的加权集成配置中，其中组合所有四个独立CNN的集成模型表现最佳。所提出的加权集成模型与广泛使用的先进架构（包括VGG-16、ResNet-18和MobileNetV2）进行了比较。实验结果表明，所提方法有效，F1分数达到0.9052，优于VGG-16（0.8283）、ResNet-18（0.7328）和MobileNetV2（0.7320）。
### 论文解读文章
#### 研究背景与问题
鳄梨（Persea americana）是拉丁美洲重要的经济作物，尤其在墨西哥、秘鲁和智利等国具有高商业价值。然而，鳄梨生产受到多种病害威胁，其中炭疽病（anthracnose）是最具破坏性的真菌病害之一，主要由Colletotrichum和Gloeosporium属真菌引起。由于炭疽病症状在种植期间常呈潜伏状态，仅在采后贮藏和运输期间显现，导致感染果实与健康果实混合分销，造成供应链中的经济损失。现有研究对鳄梨果实病害检测关注不足：文献中仅8项研究涉及鳄梨病害检测，其中仅1项专门针对炭疽病，且使用了674张公开图像。因此，需要开发一种基于专用数据集的高效自动检测系统，以实现炭疽病的早期识别。本研究旨在提出一种基于卷积神经网络（CNN）的加权集成模型，用于鳄梨果实炭疽病检测，并验证其相对于VGG-16、ResNet-18和MobileNetV2等基准模型的性能优势。
#### 研究方法与技术
研究人员采用以下关键技术方法：
- **数据采集与标注**：在秘鲁莫克瓜大区马里斯卡尔涅托省的莫克瓜山谷，于2025年4月至7月间采集Fuerte鳄梨果实图像，共2218张（50 MP相机，f/18光圈，3072×4080像素，灰色背景，JPG格式）。由病害专家标注为健康（1730张）和炭疽病感染（488张）两类。
- **类别不平衡处理**：采用类别加权法（class weighting），根据训练集样本数计算各类别权重，调整损失函数以提升少数类（感染类）的学习重要性。
- **数据增强**：通过动态几何与空间变换（归一化、随机旋转±20°、平移20%、缩放20%、水平翻转等）在训练过程中实时生成图像变体，增强模型泛化能力。
- **模型构建与集成**：设计4种浅层CNN架构（3、4、5、6层卷积块），每块含Conv2D、BatchNormalization、MaxPooling2D层，后接全局平均池化（GlobalAveragePooling2D）和全连接分类器（含Dropout正则化）。通过加权平均（权重基于各模型F1分数排名）集成多个CNN模型，形成最终加权集成模型。训练使用Adam优化器（学习率0.0001），50个epoch，早停法。
- **评估与比较**：采用准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1分数评估模型。与VGG-16、ResNet-18、MobileNetV2基准模型对比，并进行McNemar统计检验。额外在2026年数据集和文献[11]数据集上测试泛化能力。
#### 研究结果
**4.1 结果**
- 单独CNN模型的接收者操作特征曲线（ROC曲线）下面积（AUC）均高于95%，其中CNN6最佳（AUC=98.80%），CNN3最低（95.60%）。
- 加权集成模型（组合CNN3、CNN4、CNN5、CNN6）在所有指标上优于单独模型和基准模型，在测试集上达到准确率0.9488、精确率0.9375、召回率0.8750、F1分数0.9052。
- 在两种基于三个模型的加权集成中，CNN4+CNN5+CNN6在准确率和召回率上优于单独CNN6，但精确率和F1分数略低。
**4.2 讨论**
- **4.2.1 基准模型比较**：VGG-16召回率最高（0.9535），但准确率（0.9488）、精确率（0.9375）和F1分数（0.9052）均低于所提加权集成模型。ResNet-18和MobileNetV2性能更差。浅层CNN及集成模型更适合该特定问题，因ImageNet预训练模型不包含鳄梨领域知识。
- **4.2.2 统计分析**：McNemar检验显示，所提模型与ResNet-18（p<0.05）、MobileNetV2（p<0.05）的差异具有统计显著性，但与VGG-16的差异不显著（p>0.05）。
- **4.2.3 计算成本与延迟**：基准模型训练时间更短（基于迁移学习），但推理延迟更高（VGG-16为0.59秒/张）；CNN3–CNN6模型推理延迟较低（0.26–0.30秒/张）。集成模型因需组合多个独立预测，推理延迟为各组分的累计时间。
- **4.2.4 额外测试**：在2026年数据集（233张图像）上，模型准确率达0.9657，F1分数0.9467，展现跨时间泛化能力。但在文献[11]数据集（466张，300×300像素，来自公开仓库）上，准确率仅0.5043，F1分数0.5897，主要因图像分辨率、色彩、采集条件等域差异导致性能下降。
#### 讨论总结与研究结论
**讨论总结**：
加权集成模型通过结合多个浅层CNN架构，在炭疽病检测任务上实现了优于单独模型和深层基准模型的综合性能，尤其在处理类别不平衡时表现稳健。然而，模型召回率（0.8750）仍低于VGG-16（0.9535），表明在减少假阴性方面仍有改进空间。域迁移问题（如不同分辨率、采集条件）显著影响泛化能力，需在更大、更多样化的数据集上进一步验证。此外，计算成本与准确率之间存在权衡：集成模型虽提升性能，但增加了推理延迟。
**研究结论**（翻译自原文）：
根据实验结果，所提出的加权集成模型在Fuerte鳄梨果实炭疽病检测中表现出色，F1分数达到0.9052，精确率0.9375，准确率0.9488。这些结果表明，所提方法是自动炭疽病检测的一种有效且计算高效的替代方案。此外，加权集成在大多数评估指标上始终优于基准模型。然而，使用McNemar检验进行的统计分析显示，仅在与ResNet-18和MobileNetV2比较时观测到的改进具有统计显著性。因此，尽管所提模型展现出优越的预测性能，但与某些竞争方法的差异应从统计学角度谨慎解释。总体而言，研究结果表明，通过加权集成策略组合多个浅层CNN架构，可以在保持低于深层先进模型的计算复杂度的同时，为炭疽病检测提供稳健的解决方案。
（论文解读结束）
