《Horticulturae》：Fractal-Based Image Analysis for Multi-Stage Detection of Tomato Late Blight Using a Laboratory Image Dataset of Greenhouse-Grown Tomato Plants
编辑推荐：
本研究探讨基于计算机视觉与机器学习方法的番茄晚疫病（由 Phytophthora infestans 引起）早期检测问题。研究的主要目的是构建具有代表性的番茄叶片图像数据集，并提出用于病害发育阶段分类的信息特征提取方法。研究人员利用温室条件下种植的番茄植株，在
本研究探讨基于计算机视觉与机器学习方法的番茄晚疫病（由 Phytophthora infestans 引起）早期检测问题。研究的主要目的是构建具有代表性的番茄叶片图像数据集，并提出用于病害发育阶段分类的信息特征提取方法。研究人员利用温室条件下种植的番茄植株，在受控实验室环境中采集叶片图像，构建了包含晚疫病五个进展阶段的新数据集，并在成像设备、光照条件及病害时间动态方面引入变异性。为提升图像分析质量，预处理阶段包括灰度化、中值滤波及基于 Otsu 方法的二值化。除传统纹理特征外，引入分形分析以量化染病区域的结构复杂性。为验证所选特征的信息量，研究人员使用随机森林（Random Forest, RF）、XGBoost 与支持向量机（Support Vector Machine, SVM）模型开展分类实验，并采用准确率、精确率、召回率与 F1 分数评估性能。结果表明，纹理特征与分形特征的组合有助于更精准区分病害阶段。所构建数据集与方法可用于植物病害诊断、农业监测与精准农业系统研究，但需注意数据集限于温室环境，田间尺度的泛化能力尚需进一步验证。
研究背景与问题提出
植物病害是全球粮食安全的主要威胁之一，造成显著产量损失与经济损害。联合国粮农组织指出植物病原菌严重制约农业生产力。在中亚及乌兹别克斯坦等以旱热气候为主但受气候变化影响日益显著的地区，温室栽培的推广使得微气候波动为晚疫病病原提供了局部适生条件。现有计算机视觉与机器学习研究多聚焦于“健康—染病”的二分类，忽视病害渐进过程中的中间阶段，且公开数据集普遍存在规模小、类别不平衡、采集设备单一、缺乏时间维度等问题，导致模型真实农业场景泛化能力不足。为此，研究人员在《Horticulturae》发表本研究，旨在构建多阶段、异源采集的番茄晚疫病叶片图像数据集，并融合纹理与分形特征实现五阶段病害分级。
主要关键技术方法
研究人员以温室接种 Phytophthora infestans（约 2×104 游动孢子/毫升）的番茄植株为样本队列，每 2–4 天采叶并借智能手机与数码相机在实验室可控光环境下成像，最终得 5245 张图，由植病专家按病斑占叶面积比例标注为 0–4 共五级。图像经灰度转换、中值滤波去噪、Otsu 法二值化分割病斑；特征提取并行采用灰度共生矩阵（Gray-Level Co-occurrence Matrix, GLCM）类纹理描述子与基于盒计数（box-counting）的分形维数（Fractal Dimension, D）估计，辅以对比度、轮廓数、平均面积、周长标准差、偏度、熵等几何纹理量；特征经 Min–Max 归一化后，以 70:15:15 划分训练/验证/测试集，用网格搜索五折交叉验证优化 RF、XGBoost、SVM（RBF 核）三类分类器并对比消融实验。
研究结果
3.1 数据集构建与结构化：通过温室人工接种与多设备周期性采样，建立含 5245 张、五阶段均衡标注的异源数据集（0 级 1000 张、1 级 1100 张、2 级 1050 张、3 级 1000 张、4 级 1095 张），首次在番茄晚疫病中系统纳入时间动态与设备差异。
3.2 图像预处理：灰度化降维、中值滤波抑脉冲噪声、Otsu 最大类间方差自动阈值二值化，将病斑（低灰度值区）设为前景，虽受阴影干扰但提供稳定初分割。
3.3 分形与纹理特征提取：盒计数法对二值病斑覆网格，据 log N(ε)–log(1/ε) 线性回归估 D，示范图得 D=1.85（R2 优）；同步算对比度、轮廓统计量、熵、偏度等七步纹理描述子，证实 D 随病级升高而增，能刻画生物结构不规则性。
3.4 训练样本形成：整合上述特征成向量，Min–Max 缩至 [0,1]，按图像而非随机切分防泄漏，供后续建模。
4.1–4.3 预处理与特征可视化：序列预处理有效抑噪并凸显病斑；盒计数曲线线性佳；纹理/几何/分形描述子在各级间具区分度。
4.4 分类效能评估：独立测试集（n=787）上 SVM 准确率 93.0% 最高，XGBoost 92.0%，RF 88.0%；混淆矩阵显示错分集中于相邻级（1?2、2?3），重病级因结构改变显著而分对率高。
4.5 消融研究：仅纹理 84%、仅分形 87%、两者融合 93%（SVM），证分形特征互补且关键。
讨论与结论翻译
讨论指出，异源采集与光照变异增强数据集实用价值；预处理链稳降噪；纹理+几何+分形特征空间可量化病斑结构复杂性，D 随严重度上升反映生物学复杂度增加；SVM 在可解释性与算力间取得最优折衷，虽略逊于深度模型但资源占用低、适合边缘农业应用；局限为温室设定，需田间图与跨设备验证。结论部分译文如下：本研究构建了温室条件下反映番茄晚疫病五阶段进展的 5245 张代表性叶片图像数据集，多设备多条件采集提升多样性；灰度化—中值滤波—Otsu 二值化—归一化流水线改善特征提取；融合分形分析与常规纹理几何特征刻画病区结构复杂性，RF、XGBoost、SVM 实验中 SVM 获最高 93.0% 准确率，证该方法在多级鉴定有效；消融实脸表明纹理加分形优于单组特征；所提数据集与方法可作植物病害诊断、农业监测与精准农业基石，未来将扩至田间图像、跨设备验证并与深度学习对比以提升鲁棒性。
