《Computers》：From Classical to Deep Learning: A Hybrid CNN–Ensemble Framework for Intrusion Detection in Internet of Medical Things
编辑推荐：
鳄梨种植中的环颈病是一个关键问题，因其对生产有显著影响，包括由提前落果、采后拒收和出口限制等因素造成的经济损失。为实现环颈症状的自动检测，本研究提出一个基于计算机视觉的框架。作为初始步骤，建立并标注了一个包含622张Fuerte鳄梨图像的数据集，包括361个健
鳄梨种植中的环颈病是一个关键问题，因其对生产有显著影响，包括由提前落果、采后拒收和出口限制等因素造成的经济损失。为实现环颈症状的自动检测，本研究提出一个基于计算机视觉的框架。作为初始步骤，建立并标注了一个包含622张Fuerte鳄梨图像的数据集，包括361个健康样本和261个受环颈影响的样本。在实验阶段，开发并系统评估了具有不同架构的卷积神经网络（CNN）模型，包含四个和五个卷积层。此外，采用基于感兴趣区域（ROI）的策略，将分析聚焦于果梗，从而增强环颈症状的检测。所提出模型的性能与广泛采用的深度学习架构（即VGG-16、VGG-19、ResNet-18、MobileNetV3和GhostNet）进行了基准对比。实验评估证明了所提出方法的优越性，其F1分数达到0.9610，而VGG-16为0.5667、VGG-19为0.7164、ResNet-18为0.0952、MobileNetV3为0.6176、GhostNet为0.7733。此外，采用McNemar检验评估统计显著性，证实所观察到的性能提升相对于基准模型具有统计显著性，从而支持了所提出方法的稳健性和可靠性。
**论文解读：基于浅层卷积神经网络的鳄梨环颈病症状自动检测研究**
**研究背景与问题**
鳄梨环颈病（peduncle ringing）是一种主要影响Hass品种的病症，症状集中在果梗和茎端区域，表现为坏死环、组织剥落、环状缩窄和局部干燥。已有证据表明，该症状可能与真菌复合体（包括Alternaria tenuissima、Cladosporium cladosporioides和Epicoccum nigrum）有关，同时非生物胁迫因素（如营养失衡和水分亏缺）也可能参与其中，但其确切病因尚未完全明确。环颈病对鳄梨生产造成严重影响：在幼果期，它可能扰乱水分和养分运输，导致果实发育受阻和提前落果；在成熟期，则因果梗区域出现可见病变而降低商业价值，影响市场适销性和采后品质。此外，该症状可能增加果实对采后劣变的敏感性，但这一关系仍需进一步研究。
目前，鳄梨病害检测研究主要集中于叶部病害或采用计算密集型深度卷积神经网络（如ResNet50、VGG-16、InceptionV3等），而针对鳄梨果实环颈症状的自动分类研究几乎空白。现有方法往往依赖大规模标注数据集和高计算资源，但在农业应用中，数据集通常有限且症状表现为局部视觉模式，深度网络的复杂性可能导致过拟合和效率低下。因此，亟需一种轻量级、高效且准确的计算机视觉方法，能够在有限标注数据条件下识别环颈症状，同时保持低计算复杂度和低过拟合风险。
**研究目的与意义**
为填补这一研究空白，研究人员提出了一种专为鳄梨果实环颈症状视觉分类设计的轻量级浅层卷积神经网络（CNN）。该研究开发了一个包含622张RGB图像的数据集，经鳄梨病害专家根据预定义视觉诊断标准标注为健康果梗和环颈受影响果梗两类。所提出的模型采用四层和五层卷积架构，通过与VGG-16、VGG-19、ResNet-18、MobileNetV3和GhostNet等代表性深度CNN架构进行实验对比，证明了浅层CNN在分类性能和计算效率上的双重优势。该工作首次将卷积神经网络应用于鳄梨果实环颈症状检测，为农业病害自动化检测提供了高效、实用的解决方案。论文发表在《Computers》。
**主要关键技术方法**
研究人员从秘鲁Moquegua Valley的多个鳄梨树上采集果实，使用Xiaomi 50 MP相机（f/1.8光圈）在自然光照和均匀灰色背景下获取622张RGB图像（分辨率3072×4080像素）。由鳄梨病害专家根据视觉诊断标准标注为健康（361张）和环颈症状（261张）。为聚焦症状区域，采用固定坐标提取以果梗为中心的1500×1500像素感兴趣区域（ROI）。数据集按采集日期划分（70%训练、15%验证、15%测试），避免同一采集日期的图像跨子集，防止数据泄漏。对少数类（环颈症状）应用随机±90°旋转的数据增强，使两类训练样本均达到254张。构建两种浅层CNN架构（CNN4和CNN5），分别包含4个和5个卷积层，采用全局平均池化、Dropout正则化，不使用批量归一化（因小批量大小导致梯度不稳定）。所有模型在Jupyter 7.2.2环境、TensorFlow 2.18.0、Python 3.11.7下实现，使用Adam优化器、批量大小16、最大训练轮数100。基准模型（VGG-16、VGG-19、ResNet-18、MobileNetV3、GhostNet）通过ImageNet预训练权重微调，学习率0.0001；所提浅层CNN从头训练，学习率0.001。
**研究结果**
**4.1 Results**
通过混淆矩阵和性能指标评估，DA+CNN5（数据增强+五层CNN）模型表现最佳，准确性0.9677，精确率0.9737，召回率0.9487，F1分数0.9610，优于其他配置（DA+CNN4、CNN5、CNN4）。ROC曲线显示CNN5的AUC最高（0.9582），DA+CNN5为0.9573，DA+CNN4为0.9506，CNN4为0.8538。
**4.2 Discussions**
**4.2.1 Benchmark Models**
与基准模型对比，GhostNet为最佳基准（准确性0.8172，F1分数0.7733），VGG-19召回率最高（0.8571）。但所提DA+CNN5在所有指标上显著超越基准，证明浅层CNN能有效捕捉环颈症状的局部判别特征。ResNet-18虽精确率1.0，但召回率仅0.05，表明其过度偏向健康类，因症状区域小且特征局部化。
**4.2.2 Statistical Analysis**
McNemar检验显示，所提模型与所有基准模型之间的p值均低于0.05，表明性能差异具有统计显著性，非随机变异所致。
**4.2.3 Computational Cost**
DA+CNN5训练时间4389秒，但推理延迟仅2.1204秒，优于GhostNet（4.8046秒）和MobileNetV3（5.1300秒），证明其低推理延迟优势。
**4.2.4 Analysis of FNs and FPs**
误分类分析：假阴性（FN）案例中，一例因ROI选择不当导致果梗不可见，另一例症状不明显；假阳性（FP）案例中，果梗附近损伤纹理与环颈症状相似。
**4.2.5 Model Interpretability Using Grad-CAM**
Grad-CAM可视化显示，对于环颈症状类，所提模型注意力集中在坏死环区域；对于健康类，激活图更分散，表明模型基于识别病理特征缺失进行判断。
**4.2.6 External Validation**
在独立外部数据集（210张图像，93健康、117症状）上，模型性能略有下降但保持高水准：准确性0.9524，召回率0.9658，精确率0.9496，F1分数0.9576，证明其泛化能力。
**4.2.7 Study Limitations**
标注由单一专家基于视觉特征完成，无病理确认或多专家互评；ROI提取依赖固定坐标，在非受控场景下可能失效。
**总结与结论**
**5.1 Conclusions**
实验证实了所提出的DA+CNN5+ROI方法（集成五层卷积神经网络、数据增强和感兴趣区域提取）的有效性，实现了对鳄梨果实环颈症状的准确、高效检测。模型的准确性、精确率、召回率和F1分数分别为0.9677、0.9737、0.9487和0.9610。此外，McNemar检验表明所提方法显著优于VGG-16、VGG-19和ResNet-18等成熟架构。这些发现表明，轻量级CNN架构可在提供极具竞争力性能的同时，显著降低计算资源需求，适合实际农业应用部署。
