Potato-Free:面向马铃薯块茎病害检测与定位的免模型训练方法

《Agriculture》:Potato-Free: Eliminating Model Training for Disease Detection and Localization in Potato Tubers

【字体: 大 中 小 】 时间:2026年06月29日 来源:Agriculture 4.5

编辑推荐:

  马铃薯已成为全球重要的粮食作物,在带来高经济效益的同时减轻了对世界粮食供应链的压力。因此,马铃薯块茎病害检测对于质量控制和食品安全至关重要。随着人工智能(Artificial Intelligence, AI)的兴起,深度卷积神经网络(Deep Convolu

  
马铃薯已成为全球重要的粮食作物,在带来高经济效益的同时减轻了对世界粮食供应链的压力。因此,马铃薯块茎病害检测对于质量控制和食品安全至关重要。随着人工智能(Artificial Intelligence, AI)的兴起,深度卷积神经网络(Deep Convolutional Neural Networks, DCNNs)已成为该任务最广泛采用的方法。然而,DCNN主要需要大规模标注数据集,且往往对未见条件或马铃薯块茎病害泛化能力较差。本文提出了Potato-Free,一种面向马铃薯病害检测与定位的免训练框架。具体而言,该框架提取马铃薯块茎掩膜,估计健康块茎的平均颜色,并生成彩色马铃薯掩膜。这些掩膜与马铃薯块茎图像进行比较以产生MSE(Mean Squared Error)图,从中确定马铃薯块茎病害检测和定位的最优阈值。实验结果表明,所提出的框架在完全未见马铃薯块茎病害的跨数据集评估中实现了63.20%的宏观F1分数(macro F1-Score),提供了与SotA DCNN分类模型(macro F1-Score为63.40%)相当的性能,同时也优于基于重构的基线方法(macro F1-Score为42.92%),且无需训练。扩展性研究还表明,尽管Potato-Free是一个基于阈值的框架且不需要训练,但其能够以接近最佳DCNN模型的宏观F1分数(差异为5.02%)分离不同类型的病害。
马铃薯生产已成为全球重要的粮食产业,在创造高经济效益的同时减轻了对世界粮食供应链的压力。因此,马铃薯块茎病害检测对于质量控制和食品安全至关重要。随着人工智能(Artificial Intelligence, AI)技术的发展,深度卷积神经网络(Deep Convolutional Neural Networks, DCNNs)已成为该领域最广泛应用的方法。然而,DCNN通常需要大规模标注数据集,且对未见过的条件或马铃薯块茎病害泛化能力较差。为应对这些挑战,研究人员提出了Potato-Free,一种面向马铃薯病害检测与定位的免训练(training-free)框架,该研究发表于《Agriculture》期刊。

目前马铃薯病害检测领域存在几个关键问题。首先,现有数据集规模有限且存在数据泄露风险。公开数据集如Potato-Disease仅含451个样本,PotatoCare含3891个样本,PotatoGAN仅含192个样本。这些高度相似的图像被随机划分为训练集和测试集,可能引入数据泄露问题。其次,现有DCNN方法报告的高精度(或接近100%)存在过拟合风险,其在实际田间条件下的泛化能力存疑。第三,基于重建的方法(如可逆神经网络INN、传统自编码器、U-Net等)存在"越界"(out-of-bounds)问题,即即使在训练集之外的数据(病害样本)上,这些模型仍能在病害区域产生良好的重建效果,导致无法有效区分健康与病害样本。

研究人员开展了以下研究:开发了一种完全基于传统计算机视觉技术的免训练框架Potato-Free,用于马铃薯块茎病害检测(健康/病害分类)和定位(语义分割);在数据集内和跨数据集条件下,与三种SotA DCNN分类架构(EfficientNetB3、DenseNet202、ResNet50)以及一种基于重建的方法(U-Net)进行了广泛对比评估;利用可解释人工智能(Explainable Artificial Intelligence, XAI)技术识别并解释当前马铃薯病害检测中存在的问题;测试了Potato-Free框架区分不同病害类型的扩展性能。

研究得出以下重要结论:Potato-Free在跨数据集评估中实现了63.20%的macro F1-Score,与最佳DCNN模型(63.40%)性能相当,且显著优于基于重建的基线方法(42.92%);在病害定位任务中,Potato-Free的IoU(Intersection over Union)显著优于U-Net;扩展性研究表明,Potato-Free能够以接近最佳DCNN模型的性能区分不同病害类型(macro F1-Score差异仅为5.02%)。该研究的重要意义在于:首次提出了完全免训练的马铃薯病害检测与定位框架,证明了在无大规模标注数据条件下实现 competitive 性能的可行性,为农业4.0和农业5.0背景下的马铃薯产业智能化提供了轻量级解决方案。

研究人员使用了以下主要关键技术方法:背景移除采用rembg工具及其U2-Net模型,将输入RGB图像的前景(马铃薯块茎)与背景分离,生成二值马铃薯块茎掩膜;健康马铃薯平均颜色估计,利用健康样本的RGB减去图像计算平均RGB颜色值;彩色马铃薯掩膜生成,将平均健康颜色与马铃薯掩膜进行元素级乘法,生成保持块茎形状但着以健康颜色的掩膜;MSE(Mean Squared Error)图计算,在输入图像与彩色掩膜之间逐像素计算均方误差,得到MSE图,其中高值区域对应病害部位;最优阈值搜索,在0至65,025范围内以步长10进行网格搜索,确定用于病害检测(基于最大MSE值)和定位(基于IoU最大化)的最优阈值;跨数据集评估采用Potato-Disease数据集(用于训练配置)和PotatoCare数据集(用于测试未见病害:黑星淤伤、褐腐病和软腐病);XAI分析采用Grad-CAM(Gradient-weighted Class Activation Mapping)可视化CNN模型的关注区域;扩展性研究使用PotatoGAN数据集(黑星病和疮痂病)评估病害间的区分能力。

研究结果部分如下。

数据集内评估结果:在Potato-Disease数据集上的测试表明,所有DCNN分类模型(EfficientNetB3、DenseNet202、ResNet50)均实现了100%的完美指标(精确率Precision、召回率Recall、F1-Score),而U-Net表现较差。Potato-Free同样达到100%的perfect performance,相比U-Net在精确率、召回率、F1-Score和错误分类率(Misclassification Rate, MCR)上均有显著提升。在病害定位方面,Potato-Free的IoU显著高于U-Net,提升了63.88个百分点。这一差异源于U-Net的越界问题——即使仅在健康样本上训练,U-Net仍能完美重建病害区域,导致MSE图中错误值较低。

跨数据集评估结果:在PotatoCare数据集上的测试显示,Potato-Free实现了最高的召回率(61.87%)和具有竞争力的宏观F1-Score(63.20%),与最佳EfficientNetB3(63.40%)相当。相比U-Net,Potato-Free在精确率、召回率和F1-Score上均有显著提升。DCNN分类方法表现出高精确率但低召回率的偏置,倾向于将健康样本预测为病害,表明存在过拟合。通过Grad-CAM分析发现,EfficientNetB3在决策过程中聚焦于块茎的黑色区域,当健康样本存在类似病害的暗色区域时会产生误判。按病害类别的细分评估显示:在健康vs软腐病任务中,Potato-Free在所有指标上均优于所有基线模型;在健康vs黑星淤伤任务中,Potato-Free获得第二佳性能;在健康vs褐腐病任务中,Potato-Free实现了最高的宏观F1-Score(81.72%)。MSE图热图可视化分析表明,Potato-Free对具有强烈黑色区域的病害(如软腐病)检测效果最佳,而对颜色较浅的病害(如褐腐病)检测难度较大。

病害可扩展性研究结果:在PotatoGAN数据集上的扩展性研究表明,使用最大MSE阈值无法有效区分两种病害(黑星病和疮痂病),因为两者均包含强烈的黑色区域。而采用MSE均值阈值策略后,Potato-Free的F1-Score从76.59%提升至82.35 correspondence,实现了显著提升。在此设置下,Potato-Free获得了第三高的精确率(83.09%)、第二高的召回率(82.70%)和第二高的宏观F1-Score(83.22%),与最佳DenseNet202的差异仅为5.02个百分点。相比之下,即使用均值阈值,U-Net的性能仍显著受限。这证明了基于阈值的Potato-Free框架在无需训练条件下,能够有效扩展至不同病害类型的区分任务。

讨论与研究结论部分总结如下。

研究人员识别了Potato-Free框架的主要局限性:现有公开数据集均在受控实验室条件下采集,背景简洁,未能反映真实田间环境的复杂性(如土壤、杂草、遮挡、视角变化和运动模糊等);背景移除步骤的错误可能向后传播,影响检测性能;框架依赖静态预计算MSE阈值,在实际田间部署中,不同环境下的重建误差分布变化可能降低固定阈值的可靠性;颜色作为主要判别依据限制了其在光照变化、土壤类型和环境条件变化下的鲁棒性,尤其在室外收获场景中,快速变化的光照条件可能增加假阳性检测的风险;框架对以深色为特征的病害(如黑星病、黑腿病、黑星淤伤、疮痂病、干腐病和软腐病)检测效果最佳,但需要受控条件下的输入图像。

研究结论表明:传统计算机视觉方法在实际应用中需要保持资源、复杂度和有效性之间的平衡,并通过跨数据集评估验证其泛化能力。Potato-Free作为一种无需大规模标注庞大数据集训练的马铃薯病害检测与定位框架,通过计算健康马铃薯平均颜色、生成彩色掩膜并计算MSE图,能够确定检测和定位的最优阈值。数据集内实验结果显示,Potato-Free在病害检测方面与SotA DCNN基线具有竞争力,且在病害检测和定位两方面均优于基于重建的基线方法(U-Net)。由XAI分析支持的全面跨数据集评估揭示了SotA方法存在的偏置问题(如趋向于关注块茎黑色区域),同时证明了所提框架在未见病害上仍能保持有竞争力的性能,尽管对于块茎上表现面积较小、黑色变化较不强烈的病害存在一定局限。扩展性研究表明,通过适当的阈值策略(均值MSE),该框架能够有效区分不同病害类型,且性能与DCNN分类架构相当,而无需训练。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号