《Frontiers in Agronomy》：PCR-validated accuracy of a CNN algorithm for detection of gray mold caused by Botrytis cinerea with potential application in Ecuadorian rose bushes
编辑推荐：
摘要
引言：在玫瑰中，由真菌灰葡萄孢（Botrytis cinerea）引起的灰霉病主要导致花蕾腐烂，使其失去商品价值并造成重大损失。因此，在厄瓜多尔，对该病进行早期检测是玫瑰生产者实现生产率可持续提升的优先事项。然而，目前关于机器学习（ML）和深度学习（D
摘要
引言：在玫瑰中，由真菌灰葡萄孢（Botrytis cinerea）引起的灰霉病主要导致花蕾腐烂，使其失去商品价值并造成重大损失。因此，在厄瓜多尔，对该病进行早期检测是玫瑰生产者实现生产率可持续提升的优先事项。然而，目前关于机器学习（ML）和深度学习（DL）技术在玫瑰中的应用研究仍然较少。因此，本文旨在通过一种高性价比的图像处理原型开展厄瓜多尔花卉产业中灰葡萄孢发生的早期检测，该原型采用卷积神经网络（CNN），并进一步以聚合酶链式反应（PCR）为基础并行开展算法准确性的分子验证。借助该策略，不仅重新验证了该方法的预测能力，尤其还确保了CNN模型检测到的花瓣斑点确实对应于致病因子，而非其他非生物性生理改变。据研究人员所知，此前尚无将基于CNN模型的图像学方法与分子技术并行验证、以作为证明方法准确性和精密性的替代方式的报道。
材料与方法：本研究采用预训练ResNet50架构和EcuBotrytisCinerea数据集开发了一个二分类器，命名为EcuRossCNN。此外，还采用了数据增强技术以提升模型性能和泛化能力。
结果：该模型在关键分类指标上表现优异，准确率达到98% ± 1.0，曲线下面积（AUC）达到98.76% ± 1.30。这些结果突显了其在分类任务中的稳健性和有效性。最后，在同时采用EcuRossCNN和PCR检测的植物中，100株温室条件下栽培并随机检测的玫瑰植株中，仅有5株被判定为假阳性，原因是EcuRossCNN在花瓣上检测到与病害症状非常相似的信号，但特异性PCR检测未发现致病因子存在。
讨论：毫无疑问，这种高性价比方法结合人工监测，将有助于对这种严重病害进行准确的自动化早期检测，即使对于非专业监测人员亦是如此。
该文发表于《Frontiers in Agronomy》，聚焦厄瓜多尔玫瑰生产中灰霉病早期识别这一实际农业问题。灰霉病由灰葡萄孢（Botrytis cinerea）引起，是玫瑰出口生产中的重要病害，主要危害花蕾和花瓣，造成坏死、腐烂、无法开放及商品价值丧失。现有分子或免疫学检测技术虽具有较高特异性和敏感性，但对设备、实验条件和专业人员要求高，且样品采集、运输和实验周期均增加了现场应用难度。另一方面，田间或温室生产中对病害的识别主要依赖人工经验判断，但早期症状不易被肉眼稳定识别，且病情发展迅速，易错过最佳干预时机。因此，开发一种低成本、易部署、可用于温室和田间场景的早期自动识别工具，具有明确的生产需求和病害管理价值。
针对上述问题，研究人员构建了一个基于卷积神经网络（CNN）的玫瑰灰霉病二分类识别模型EcuRossCNN，并创新性地将图像识别结果与聚合酶链式反应（PCR）分子检测并行验证。该研究的核心不只是证明模型在计算指标上的准确性，更重要的是确认模型识别到的花瓣斑点确实对应灰葡萄孢感染，而不是营养失衡、水分胁迫、药害或其他非生物性因素导致的相似表型。研究结果显示，该模型在温室真实条件构建的数据集上取得了较高性能，且PCR验证表明其假阳性较低、未检出假阴性。这意味着该系统在病害早期监测、精准施药和降低无效防治方面具有现实应用意义，也为农业人工智能（AI）模型引入生物学真实性验证提供了方法学参考。
就主要技术方法而言，研究人员首先从厄瓜多尔Bella Rosa S.A.商业温室获取Vendela品种玫瑰样本，分离并鉴定灰葡萄孢，结合形态学观察、ITS条形码测序及G3PDH、HSP60区域PCR扩增确认病原；随后在温室条件下对健康植株实施人工接种并连续拍摄，构建EcuBotrytisCinereaDB图像库；以预训练ResNet50为骨干网络，采用迁移学习、数据增强、早停（early stopping）及10折交叉验证训练EcuRossCNN；最后从测试集中随机选取样本，在盲法条件下进行PCR平行验证模型检测结果。
研究结果
3.1 Morphological and molecular characterization of the B. cinerea isolates to infect rose plants grown in a greenhouse
研究人员首先对用于温室接种的病原菌进行了形态学和分子学双重鉴定。显微镜下观察到灰葡萄孢的孢子及繁殖结构，并在PDA培养基上检测到菌核（sclerotia）形成，说明已获得能够稳定扩繁的病原材料。进一步通过ITS区PCR扩增获得约600 bp片段，测序后经BLAST比对显示与Botrytis属具有高度同源性。上述结果证明后续人工接种所用菌株确为灰葡萄孢，从病原学源头保证了模型训练对象的准确性。
3.2 Infection process of rose plants under greenhouse conditions
研究人员在受控温室环境下完成了玫瑰人工接种及病程跟踪，并据此建立了自有图像数据库。该部分工作的重点在于从极早期感染阶段开始连续记录症状演变过程。通过多位专家对灰霉病症状进行时间序列判读，研究人员获得了从接种后无明显症状到后续病斑逐步出现和扩展的连续图像资料。作者指出，既往许多植物病害识别研究依赖公共数据集，而玫瑰病害特别是灰霉病的真实生产场景数据相对缺乏。本研究在统一时间、光照和拍摄条件下采集图像，从而减少环境差异引起的模型偏差，为后续算法训练提供了具有实际生产代表性的样本基础。
3.3 Training, validation and accuracy of the EcuRossCNN model
在模型构建方面，研究人员以预训练ResNet50为基础，移除原始分类层，并对顶部10%层进行微调（fine-tuning），同时增加适用于二分类任务的新层，形成EcuRossCNN。训练过程中，输入图像尺寸设为224 × 224像素，采用Adam优化器、学习率0.001、权重衰减0.01，并设置200个epoch及15轮耐心值的早停策略。训练和验证结果显示，模型学习过程稳定，训练集与验证集曲线间差距较小，提示过拟合程度有限。综合10折交叉验证结果，模型准确率（ACC）为98.00% ± 1.00，精确率（Precision）为95.24% ± 2.10，召回率（Recall）为90.91% ± 3.00，F1值为93.02% ± 2.03，AUC-ROC为98.76% ± 1.30。混淆矩阵结果表明，模型可有效区分健康样本与感染样本。卷积层激活图进一步显示，感染花瓣产生局部高强度激活，主要集中于坏死组织区域，而健康花瓣特征响应较为弥散，说明模型确实聚焦于与病害相关的生物学区域，而非背景噪声。
3.4 PCR validation of the EcuRossCNN model
该研究最具创新性的部分在于对CNN图像识别结果实施并行PCR分子验证。研究人员从测试集中随机选择被模型判定为健康或早期感染的花瓣样本，在盲法条件下提取基因组DNA并进行特异性PCR检测，以判定灰葡萄孢是否真实存在。结果表明，EcuRossCNN与PCR在大多数样本上的检测结果高度一致。在随机检测的100株植株中，仅5株被认定为假阳性，即模型识别出类似病斑信号，但PCR未检测到致病因子；同时未发现假阴性。这一结果说明，EcuRossCNN在早期症状识别方面具有较高敏感性，并且通过分子技术证实了其识别对象主要对应真实病原感染，而非其他生理性或环境性斑点。
讨论部分总结
论文讨论部分集中强调了当前植物病害图像识别研究普遍存在的一个关键缺陷，即模型性能通常仅依赖准确率、AUC等计算指标评估，而缺乏生物学层面的真实性确认。研究人员指出，尽管许多CNN模型在植物病害检测中取得了较高数值表现，但不少研究仍停留在实验室环境或公共数据库层面，缺少真实温室/田间复杂背景下的数据支持，也缺乏与病原分子检测的联用验证。本研究通过构建来源于真实生产条件的玫瑰灰霉病图像库，并利用PCR验证模型输出，有效弥补了计算预测与病原学证据之间的断裂。作者还指出，玫瑰早期灰霉症状极易与钙（Ca）、硼（B）、镁（Mg）缺乏，水分胁迫、日灼和药害等非生物性因素混淆，因此并行分子验证对于确保算法诊断对象的病原特异性尤为重要。
此外，讨论部分还强调了该系统在资源受限农业环境中的应用潜力。EcuRossCNN采用普通手机拍摄图像即可运行的思路，适合在技术人员不足的大面积温室或农场使用，能够为精准农业中的早期预警和定点施药提供低成本辅助。研究人员同时指出，本研究仍存在一定局限，包括数据集规模为1100张图像，仅涉及Vendela单一品种，且主要基于温室场景，未来需扩大至更多农场、更多玫瑰品种及不同 agroecological zones，以进一步提升泛化能力。
研究结论翻译
卷积神经网络（CNN）能力正在因其多样化应用而推动农艺实践变革，使资源受限农业系统同样能够迈向智慧农业。从应用角度看，该方法作为一种低成本决策支持工具具有很强潜力。然而，利用PCR对CNN模型进行并行验证，相较传统纯图像方法构成了关键进步，因为这证实了模型预测所对应的是病原体的真实存在，而不是由非生物胁迫或营养失调引起的视觉症状。本研究表明，在真实生产条件下同步开展必要的分子分析，可使基于CNN的方法验证更加有效且成本更低。尽管EcuRossCNN在真实生产条件下已显示出良好的实际表现，未来仍需继续扩充图像数据库，纳入其他农场和更多玫瑰品种，以进一步提升其效能，尤其是对该有害病害极早期症状的识别能力。
