《Computers》：A Weighted Ensemble of Convolutional Neural Networks for Anthracnose Detection in Avocado Fruit
编辑推荐：
全球鳄梨年产量超过1000万吨。在影响鳄梨果实的病害中，炭疽病是最重要的病害之一，会导致黑色病斑和果实腐烂，产量损失可达20–30%。为了促进炭疽病的早期检测，本研究提出了一种基于计算机视觉的方法。研究人员首先开发了一个包含2218张Fuerte鳄梨图像的数据
全球鳄梨年产量超过1000万吨。在影响鳄梨果实的病害中，炭疽病是最重要的病害之一，会导致黑色病斑和果实腐烂，产量损失可达20–30%。为了促进炭疽病的早期检测，本研究提出了一种基于计算机视觉的方法。研究人员首先开发了一个包含2218张Fuerte鳄梨图像的数据集，经过标注后包含1730个健康样本和488个炭疽病感染样本。在实验阶段，设计并评估了多个不同深度（3、4、5和6层）的卷积神经网络（CNN）模型。这些模型随后被集成到不同的加权集成配置中，其中结合所有四个独立CNN的集成实现了最佳性能。将所提出的加权集成与广泛使用的最先进架构（包括VGG-16、ResNet-18和MobileNetV2）进行了比较。实验结果证明了该方法的有效性，F1分数（F1-score）达到0.9052，优于VGG-16（0.8283）、ResNet-18（0.7328）和MobileNetV2（0.7320）。
**研究背景与问题**
鳄梨（*Persea americana*）是拉丁美洲重要的经济水果作物，尤其以墨西哥、秘鲁和智利为主产区。其高产值和出口地位使其遭受的病害问题备受关注。在众多真菌性病害中，炭疽病（anthracnose）由*Colletotrichum*和*Gloeosporium*属真菌引起，是导致鳄梨果实腐烂和产量损失（20–30%）的主要病害之一。炭疽病的早期检测面临两大挑战：症状在田间潜伏，仅在采后运输和储存期间才显现，导致感染果实混入健康批次；现有研究多聚焦于鳄梨叶片或根茎病害，专门针对果实炭疽病的检测研究极为有限。文献综述显示，截至2025年仅有一项研究（使用674张在线图像）专门检测炭疽病，且缺乏对模型可靠性（如F1评分、统计显著性）的全面评估。因此，开发一个基于计算机视觉的自动检测系统，结合专用数据集和高效模型，对减少经济损失和提升供应链管理具有重要意义。本研究发表在《Computers》期刊，旨在利用浅层卷积神经网络（CNN）的加权集成实现鳄梨果实炭疽病的准确、轻量级检测。
**主要技术方法概述**
研究人员从秘鲁Moquegua Valley（Mariscal Nieto Province, Moquegua Region）的鳄梨树收集Fuerte品种果实图像（2025年4–7月），使用50 MP相机（f/18光圈，分辨率3072×4080像素）在自然光照和灰色背景下拍摄，构建2218张图像的数据集（1730健康、488感染）。方法核心包括：（1）类别权重处理数据不平衡；（2）动态数据增强（旋转、平移、缩放等）；（3）设计并训练四个浅层CNN模型（CNN3、CNN4、CNN5、CNN6，分别含3–6个卷积块），输入224×224像素RGB图像，使用Adam优化器、学习率0.0001，训练50轮；（4）基于个体模型F1分数排名分配权重，构建加权集成模型；（5）与VGG-16、ResNet-18、MobileNetV2基准模型对比，并采用McNemar检验进行统计分析；（6）额外测试2026年新采集数据（233张）和文献[11]中的公开数据集（466张）评估泛化能力。
**研究结果**
**4.1 Results**
通过混淆矩阵和ROC曲线分析，四个单独CNN模型的AUC均超过95%，其中CNN6（6层）达到最高AUC（98.80%）。加权集成模型（结合CNN3–CNN6）在测试集上取得最佳综合性能：准确率（Accuracy）0.9488、精确率（Precision）0.9375、召回率（Recall）0.8750、F1分数（F1-score）0.9052，优于任何单独模型。
**4.2 Discussions**
**4.2.1 Benchmark Models**
与基准模型对比，加权集成在准确率、精确率和F1分数上均领先于VGG-16（0.8283）、ResNet-18（0.7328）和MobileNetV2（0.7320）。值得注意的是，VGG-16在召回率（0.9535）上略优，研究人员分析认为这是由于VGG-16的假阴性较少（FN=4 vs. 集成模型FN=15），但其假阳性更多导致精确率和F1较低。简单的CNN模型比深层架构更适合该特定任务。
**4.2.2 Statistical Analysis**
McNemar检验显示，加权集成与ResNet-18、MobileNetV2之间的预测差异具有统计学显著性（p值<0.05），表明性能提升非随机波动；而与VGG-16的差异不显著（p值>0.05），说明两者分类行为相似。
**4.2.3 Computational Cost and Latency**
基准模型利用ImageNet预训练权重，训练时间较短（VGG-16约1196秒，ResNet-18约140秒），而CNN模型因从零训练耗时更长（CNN3约3726秒）。推理延迟方面，CNN模型（0.26–0.30秒/张）低于基准模型（0.43–0.59秒/张）。加权集成模型因需组合多个单模型预测，推理延迟最高（0.56秒/张），体现了精度与效率的权衡。
**4.2.4 Extra Tests**
在2026年数据集上，加权集成模型表现稳健（F1分数0.9467，召回率1.000），证明其跨时段的泛化能力。然而，在文献[11]的数据集（含健康与炭疽病两类，466张）上性能显著下降（F1分数0.5897），主要由于域偏移：图像分辨率、色彩、采集条件等与训练集差异较大。
**总结与结论翻译**
**5.1 Conclusions**
基于实验结果，所提出的加权集成模型在Fuerte鳄梨果实炭疽病检测中展现出强大性能，F1分数达0.9052，精确率0.9375，准确率0.9488。该结果说明该方法是自动炭疽病检测的有效且计算高效的替代方案。进一步地，加权集成在多数评估指标上持续优于基准模型。然而，McNemar检验表明，与ResNet-18和MobileNetV2相比，改进具有统计显著性；但与VGG-16的差异需谨慎解读。总之，通过加权集成策略组合多个浅层CNN架构可为炭疽病检测提供鲁棒解决方案，同时保持比深层模型更低的计算复杂度。
**5.2 Future Work**
尽管加权集成整体表现最佳，其召回率（0.8750）仍低于VGG-16（0.9535）。鉴于召回率在病害检测中至关重要（最小化假阴性），未来可探索混合集成或堆叠方法，结合轻量CNN与高性能深层模型。此外，CNN6模型性能接近加权集成且结构更简单，可针对其进行决策阈值调优、概率校准和超参数优化，以在降低计算开销的同时改善真/假阳性平衡。最后，应评估在更大型、更多样数据集（不同环境、设备、地理区域）上的表现，以全面验证鲁棒性和实际部署适用性。
