《Nanomaterials》：Influence of Device Structure and Manufacturing Thermal Budget on Channel Release Module in GAA NSFET and Process Optimization
编辑推荐：
全球牛油果年产量超过1000万吨。在影响牛油果的多种病害中，炭疽病（anthracnose）是最严重的一种，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。研究人员首先构建了一个包含2218张F
全球牛油果年产量超过1000万吨。在影响牛油果的多种病害中，炭疽病（anthracnose）是最严重的一种，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。研究人员首先构建了一个包含2218张Fuerte牛油果图像的数据集，经标注后包含1730个健康样本和488个炭疽病感染样本。在实验阶段，研究人员设计并评估了不同深度（3层、4层、5层、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（weighted ensemble）配置中，其中结合全部四个独立CNN的集成模型表现最佳。研究人员将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，该方法有效，F1-score达到0.9052，优于VGG-16（0.8283）、ResNet-18（0.7328）和MobileNetV2（0.7320）。
# 论文解读：基于加权集成卷积神经网络的牛油果炭疽病检测方法
## 研究背景与目的
牛油果（Persea americana）是拉丁美洲极具经济价值的水果作物，但其生产受到真菌、细菌、病毒和昆虫等多种病害的威胁。其中，炭疽病（anthracnose）主要由Colletotrichum和Gloeosporium属真菌引起，是牛油果果实上最具破坏性的病害之一，可导致黑色病斑和腐烂，造成20–30%的产量损失。由于炭疽病症状在种植期间常呈潜伏状态，直到采后储运阶段才显现，因此染病果实可能混入健康果实中流通，给整个供应链带来经济损失。现有的研究对牛油果果实病害检测关注不足，尤其缺乏针对炭疽病的专用数据集和高效自动检测方法。为此，研究人员开展本研究，旨在开发一种基于计算机视觉和深度学习的高效、轻量化炭疽病检测框架，以解决现有方法中数据集规模小、模型复杂度高、类不平衡处理不足等问题。
## 研究方法
研究人员构建了一个包含2218张Fuerte牛油果图像的数据集（采集于秘鲁Moquegua地区，2025年4月至7月，采用50 MP相机，分辨率3072×4080像素，经重采样至224×224像素），由专家标注为健康（1730张）和染病（488张）两类。为应对类不平衡，采用类别权重（class weighting）策略修改损失函数，并根据训练子集计算各类权重（健康类权重0.6327，染病类权重2.3791）。数据增强方面，使用在线增强技术（旋转±20°、平移20%、剪切20%、缩放20%、水平翻转等）实时生成变换图像。模型构建上，研究人员设计了4种不同深度的浅层卷积神经网络（CNN3、CNN4、CNN5、CNN6，分别包含3至6个卷积块），每个块由Conv2D（卷积层）、BatchNormalization（批归一化）和MaxPooling2D（最大池化）组成，后接GlobalAveragePooling2D（全局平均池化）和全连接分类器，使用Adam优化器（学习率0.0001）训练50轮，并采用早停法。评估指标包括准确率（Accuracy）、精确率（Precision）、召回率（Recall）和F1-score。此外，研究人员将独立模型按F1-score排序后分配权重，构建加权集成模型，最终选定权重配置为CNN6:0.35、CNN4:0.30、CNN5:0.20、CNN3:0.15。对比模型包括VGG-16、ResNet-18和MobileNetV2。统计显著性采用McNemar检验。额外测试在2026年数据集（233张）和文献[11]数据集（466张）上进行。
## 研究结果
### 4.1 结果
独立模型表现中，CNN6在AUC（曲线下面积）上最高（98.80%），CNN3最低（95.60%）。多数指标上CNN6为最佳独立模型，但召回率上CNN3最优。加权集成模型（结合CNN3、CNN4、CNN5、CNN6）表现最佳，准确率0.9488，精确率0.9375，召回率0.8750，F1-score 0.9052，优于所有独立模型及其他集成配置。
### 4.2 讨论
#### 4.2.1 基准模型对比
与VGG-16、ResNet-18、MobileNetV2相比，加权集成模型在准确率、精确率和F1-score上均胜出，但VGG-16在召回率上更高（0.9535）。分析显示，VGG-16的假阴性（FN）最低（4例），而集成模型的FN为15例。尽管如此，集成模型在综合性能上更优。
#### 4.2.2 统计分析
McNemar检验表明，集成模型与ResNet-18（p<0.001）和MobileNetV2（p<0.001）的差异具有统计学显著性，但与VGG-16（p=0.345）不显著，说明集成模型与VGG-16分类行为相似但指标略优。
#### 4.2.3 计算成本与延迟
基准模型因采用ImageNet预训练权重，训练时间更短（MobileNetV2: 1070秒，VGG-16: 1583秒），而独立CNN模型需从头训练（CNN3: 2219秒，CNN6: 2978秒）。推理延迟上，独立CNN模型较低（每张0.26–0.30秒），集成模型因需组合多个模型预测，延迟较高（每张0.63秒）。
#### 4.2.4 额外测试
在2026年独立测试集（233张）上，集成模型准确率0.9657，精确率0.8987，召回率1.0000，F1-score 0.9467，表现出良好的跨年份泛化能力。但在文献[11]数据集（466张）上，模型性能显著下降（准确率0.5043，F1-score 0.5897），主要由于图像分辨率、颜色特性、采集条件等差异导致的域偏移（domain shift）。
## 研究结论与讨论
### 5. 结论与未来工作
#### 5.1 结论
基于实验结果，所提出的加权集成模型在Fuerte牛油果炭疽病检测中表现优异，F1-score达0.9052，精确率0.9375，准确率0.9488。该加权集成策略在多数评估指标上一致优于基准模型，但McNemar检验显示仅与ResNet-18和MobileNetV2的差异显著。总体而言，结合多个浅层CNN的加权集成方法能够在保持较低计算复杂度的同时提供鲁棒的炭疽病检测能力。
#### 5.2 未来工作
尽管集成模型整体性能最佳，但其召回率（0.8750）仍低于VGG-16（0.9535）。鉴于疾病检测中最小化假阴性至关重要，未来可研究混合集成或堆叠方法，结合轻量CNN与高性能深度模型。此外，CNN6独立模型性能已接近集成模型，未来可通过对单个CNN模型进行决策阈值调整、概率标定和超参数优化来进一步提升。最后，应在更多样化的环境、设备和地理条件下评估模型的鲁棒性和泛化能力。
