《Frontiers in Plant Science》：Physiological and image-based characterization of Botrytis cinerea infection progression in postharvest ‘Haegeum’ kiwifruit using interpretable deep learning
编辑推荐：
由灰葡萄孢菌（Botrytis cinerea）引起的灰霉病严重限制了猕猴桃的采后贮藏和商品性，因此需要准确且非破坏性的感染评估方法。在本研究中，研究人员开发了一种基于症状、关注感兴趣区域（ROI）且可解释的深度学习框架，用于对金肉‘海金’猕猴桃的感染等级进行
由灰葡萄孢菌（Botrytis cinerea）引起的灰霉病严重限制了猕猴桃的采后贮藏和商品性，因此需要准确且非破坏性的感染评估方法。在本研究中，研究人员开发了一种基于症状、关注感兴趣区域（ROI）且可解释的深度学习框架，用于对金肉‘海金’猕猴桃的感染等级进行分类。感染严重程度根据外部视觉症状分为四个等级：等级1：无病斑；等级2：轻微变色；等级3：局部菌丝生长；等级4：大面积菌丝生长和组织崩溃。随后对每个等级相关的生理响应进行了表征。病害发展导致果实软化，硬度从等级1的4.82 N降至等级4的2.79 N，而呼吸速率从0.05 μmol kg-1 s-1升至0.24 μmol kg-1 s-1。乙烯生成在等级3开始出现，并在等级4急剧增加，达到0.015 μmol kg-1 s-1。为了量化病斑严重程度，研究人员开发了一种基于RGB蓝色通道和LAB L*及a*通道的感兴趣区域感知（ROI-aware）流程，实现了对感染的病斑聚焦可视化。与基线模型相比，该方法提高了分类性能，EfficientNet-B0、ResNet-50和ShuffleNet-V2的准确率达到90.3%，ResNet-18达到87.6%。梯度加权类激活映射（Grad-CAM）进一步表明，ROI感知流程减少了背景相关激活，并改善了模型注意力在果实区域内的空间约束性。这些发现表明，基于症状的RGB分类，结合事后生理表征和可解释深度学习分析，为监测采后猕猴桃可见真菌感染进程提供了一个生物学可解释的框架。
**论文解读文章**
**研究背景与问题**
金肉‘海金’猕猴桃（Actinidia chinensis var. chinensis cv. ‘Haegeum’）是韩国重要的商业品种，但其采后易受真菌感染，尤其是灰葡萄孢菌（Botrytis cinerea, B. cinerea）引起的灰霉病，可导致潜伏感染并在贮藏中迅速扩展，造成组织软化和异味，带来严重经济损失。传统检测方法依赖视觉检查和破坏性实验室分析，耗时且难以识别早期或无症状感染。此外，现有图像方法多为黑箱分类器，未能区分生物相关特征与背景干扰，且缺乏与生理变化的关联。为此，研究人员开发了一种基于症状、关注感兴趣区域（ROI）且可解释的深度学习框架，用于分类可见感染进程，并关联生理响应，以提供非破坏性监测手段。该研究发表在《Frontiers in Plant Science》。
**关键技术方法**
研究人员从韩国宝城商业果园采集‘海金’猕猴桃，经2.5个月冷贮藏（0°C，85–90%相对湿度）后，用B. cinerea孢子悬浮液（3×103孢子/果）接种，于20°C、80–85%相对湿度下暗培养14天。共240个果实，分8个时间点（0、2、4、6、8、10、12、14天）采样，每个时间点30个果实，拍摄六视图RGB图像（共1440张，筛选后959张用于模型训练）。关键方法包括：1）视觉症状定义四级感染等级（等级1：无病斑；等级2：轻微变色；等级3：局部菌丝生长；等级4：大面积菌丝生长和组织崩溃）；2）基于RGB蓝色通道和LAB L*、a*通道的规则阈值化感染比率计算；3）自动ROI分割与背景抑制；4）四种卷积神经网络（CNN）骨干（ResNet-18、ResNet-50、EfficientNet-B0、ShuffleNet-V2）的迁移学习与微调；5）梯度加权类激活映射（Grad-CAM）及定量可解释性指标（ROI外激活比例、ROI内熵、CAM面积≥0.5、Drop@20% Δ）。
**研究结果**
**3.1 视觉分配B. cinerea感染等级的生理表征**
通过事后生理测量发现，果实硬度从等级1的4.82 N持续降至等级4的2.79 N，表明感染导致渐进性软化；呼吸速率从等级1的0.05 μmol kg
-1 s
-1升至等级2的0.21 μmol kg
-1 s
-1，等级3短暂下降至0.12 μmol kg
-1 s
-1，等级4升至0.24 μmol kg
-1 s
-1，呈现类似跃变型模式；乙烯生成在等级3才可检测，等级4急剧升至0.015 μmol kg
-1 s
-1。图像衍生感染比率从等级1的0.13%增至等级4的4.50%。这些结果证实视觉分配等级与跃变型生理响应和软化相关。
**3.2 简化流程与ROI感知感染比率表示**
设计了Pipeline I（基线RGB流程）和Pipeline II（ROI感知流程）。Pipeline II通过自动ROI分割和基于RGB蓝、LAB L*、a*通道的阈值化，生成感染比率作为定量病斑描述符（非等级定义标准），有效抑制了背景特征如托盘边缘和镜面反射。
**3.3 初步筛选阶段的分类性能**
在9种骨干架构（ResNet-18、ResNet-50、EfficientNet-B0、ShuffleNet-V2、MNASNet1_0、MobileNet-V2、GoogLeNet、ViT-Base、ViT-Large）中，Pipeline II普遍优于Pipeline I。EfficientNet-B0、ResNet-50和ShuffleNet-V2在Pipeline II中均达到90.3%准确率，ResNet-18达87.6%，而MNASNet1_0仅50.3%。CNN模型整体优于Transformer模型，表明ROI预处理和局部归纳偏置对捕捉病斑特征有效。
**3.4 匹配比较中的ROC分析与类可分性**
在四种选定CNN骨干中，Pipeline II的宏平均AUC（AUC
macro）均提升：ResNet-18从94.89%升至98.13%，ResNet-50从93.08%升至96.02%，EfficientNet-B0从93.82%升至95.50%，ShuffleNet-V2从94.57%升至96.55%，表明ROI感知流程改善了类间区分能力。
**3.5 Grad-CAM可解释性与计算效率**
在匹配比较中，Pipeline II降低了所有四种骨干的ROI外激活比例，如ResNet-18从0.77降至0.59，ResNet-50从0.78降至0.48，EfficientNet-B0从0.71降至0.32，ShuffleNet-V2从0.51降至0.26。ROI内熵和CAM面积≥0.5也下降，表明显著性分布更紧凑。但Drop@20% Δ（CAM引导删除与随机删除的置信度差异）变化呈骨干依赖性：ShuffleNet-V2从-0.04升至+0.06，而ResNet-18和EfficientNet-B0变得更负。计算效率（FPS）变化不大，ShuffleNet-V2最快（约21 FPS）。因此，Pipeline II的主要优势在于改善空间注意力约束，而非统一提升删除敏感度或推理速度。
**讨论与结论**
讨论部分指出，渐进性真菌感染伴随硬度下降、呼吸升高和后期乙烯生成，与跃变型代谢激活一致，表明真菌入侵与宿主代谢活性和组织崩解相关。RGB蓝与LAB L*、a*通道的联合使用有效分离了感染、疑似和健康区域，但需进一步验证阈值法的鲁棒性。ROI预处理减少了背景无关激活，但效果具骨干依赖性，不应视为因果解释的确定性证据。轻量级架构如ShuffleNet-V2在性能、可解释性和速度间取得良好平衡，适合实际部署。研究局限性包括：缺乏单独模拟接种健康对照组，等级1代表接种后无可见病变果实而非未接种健康果实；数据集来自单一果园和季节，需跨季节、果园、成像条件及自然感染果实验证。研究结论：本开发了基于症状、ROI感知且可解释的深度学习框架，用于非破坏性分类‘海金’猕猴桃可见B. cinerea感染进程。感染等级基于外部视觉症状分配，生理参数和图像衍生感染比率用于事后表征生物和病斑相关变化。使用RGB蓝和LAB L*、a*通道的ROI感知流程减少了背景相关激活，改善了模型注意力在果实区域内的空间约束性，但性能提升和删除敏感度呈骨干依赖性。这些发现表明，基于症状的RGB分类结合ROI感知预处理和可解释模型分析，可为监测采后猕猴桃可见灰霉病感染进程提供一个受控条件下的有用框架。未来研究应使用手动病斑注释、跨季节和果园的大型数据集、不同成像条件及自然感染果实进行验证，特别关注无症状和早期感染检测。
