AI驱动的混合视觉Transformer在高海拔覆盖栽培番茄(Solanum lycopersicum L.)作物病害自动分类中的应用

《Results in Engineering》：AI-Driven Hybrid Vision Transformer for Automated Disease Classification in Tomato ( Solanum lycopersicum L.) Crop Under High Altitude Covered Cultivation

　　

摘要
先进的人工智能有望彻底改变农业中的作物病害管理，尤其是对番茄等高价值作物而言。在自动化现代农业系统中，传统病害检测技术效率低下。在植物病害分类领域，深度学习(deep learning, DL)的最新进展，特别是视觉Transformer(Vision Transformer, ViT)，已展现出巨大潜力。然而，通过优化模型超参数以最大化性能的研究尚不充分。本研究提出了一种新型混合ViT模型，用于番茄(Solanum lycopersicum L.)作物的实时病害分类，重点优化关键超参数——训练轮数、批大小和学习率，以提高模型的精确率、召回率、F1分数和马修斯相关系数(Matthews Correlation Coefficient, MCC)。采用响应面法(response surface methodology, RSM)，系统分析了这些参数对模型分类准确率的影响。模型的性能使用1,690张健康和患病番茄叶片图像数据集进行验证，分类准确率达91.53%，F1分数、精确率和召回率均具有统计学显著性。模型推理延迟为每张图像634-681毫秒，表明该框架具备近实时番茄病害分类能力。采用k折方法对模型性能进行交叉验证，并与基础ViT、MobileNet和VGG16等基线模型进行比较，证明所提出的混合方法具有优越性。该方法为番茄作物病害自动化管理提供了一种可扩展的解决方案，尤其适用于高海拔覆盖栽培环境。

基于混合视觉Transformer的番茄病害分类研究解读

一、研究背景与问题提出
番茄是全球广泛种植的高营养蔬菜作物，但其生产常受晚疫病、白粉病等多种病害威胁，导致产量严重损失。传统病害识别依赖人工目测或实验室检测，存在主观性强、耗时费力、成本高昂等缺陷，难以满足现代农业对早期诊断和精准管理的需求。近年来，深度学习(deep learning, DL)技术，尤其是卷积神经网络(convolutional neural network, CNN)和视觉Transformer(Vision Transformer, ViT)，在植物病害图像分类中展现出巨大潜力。然而，CNN受限于感受野设计，难以建模图像中的长距离依赖关系；而ViT虽能捕捉全局上下文，但在多尺度局部特征提取方面存在不足。此外，现有CNN-Transformer混合模型多将CNN作为简单的顺序特征提取器，未深入探索独立学习的局部与全局表征的有效融合策略，且模型超参数优化研究匮乏。为此，研究人员提出了一种融合InceptionV3与ViT的混合架构，并采用响应面法(response surface methodology, RSM)系统优化关键超参数，以期实现番茄病害的高精度、近实时分类。该研究成果发表于《Results in Engineering》。

二、研究内容与成果概述
研究人员开发了一种新型混合ViT模型(即Hybrid InceptionV3-Vision Transformer)，用于将番茄叶片划分为健康、晚疫病和白粉病三类。模型利用预训练InceptionV3作为冻结骨干网络提取多尺度局部卷积特征，将特征图转换为序列令牌后输入ViT编码器，通过自注意力机制捕捉全局上下文关系，最终融合局部与全局表征进行分类。在包含1,690张图像的定制数据集上，经RSM优化后，模型在测试集上达到91.53%的分类准确率，F1分数、精确率和召回率分别为98.62%、99.85%和98.58%，马修斯相关系数(MCC)约为0.881。5折交叉验证进一步证实了模型的稳健性，其性能显著优于基础ViT、MobileNet和VGG16等基线模型。模型推理延迟为每张图像634-681毫秒，具备近实时应用潜力，为高海拔覆盖栽培环境下的番茄病害自动化管理提供了可扩展的解决方案。

三、关键技术方法
研究人员构建了包含1,690张番茄叶片图像的定制数据集，图像采集自印度喜马拉雅山脉库马翁丘陵的ICAR-VPKAS，Almora实验农场(经度79°39′E，纬度29°35′N)的温室大棚。数据集涵盖健康、晚疫病和白粉病三个类别，并按80%:20%划分为训练集和验证集。核心技术包括：(1)混合架构设计：采用冻结的InceptionV3提取2048维卷积特征图，经全局平均池化和线性投影生成视觉令牌，输入ViT编码器进行自注意力建模；(2)基于最优定制设计(optimal custom design, OCD)的RSM实验方案：以批大小(8、16、32)、训练轮数(20、50、100)和学习率(0.00001、0.0001、0.001)为因子，以F1分数、召回率和精确率为响应值，建立了二阶多项式回归模型；(3)使用Adam优化器和分类交叉熵损失函数进行模型训练；(4)采用5折交叉验证评估模型泛化能力；(5)与基础ViT、MobileNet和VGG16进行对比实验。

四、研究结果

4.1 模型性能指标与RSM优化结果
通过完全析因设计的27次实验，研究人员拟合了响应面模型。方差分析(ANOVA)表明，F1分数、召回率和精确率的二次模型均高度显著(p<0.0001)，F值分别为14.58、43.34和17.01。决定系数(R2)均高于93%，调整R2大于86%，预测R2高于68%，信噪比(充足精度)均大于4，证实模型拟合良好。编码方程显示，学习率是对所有响应影响最显著的因素(系数最大)，批大小增加通常对性能产生负面影响，训练轮数增加总体呈正面影响但存在过拟合风险，疾病类别(分类因子)对性能有显著影响。扰动图和三维曲面图进一步揭示了因子间的交互作用：批大小与学习率、训练轮数与学习率的组合对响应存在先增后减的协同效应，而批大小与训练轮数组合则呈稳步上升趋势。数值优化求解表明，当批大小为8、训练轮数为20、学习率为0.0001时，模型对白粉病类别获得最大期望度(0.973)，此时F1分数、召回率和精确率预测值分别达98.63%、98.58%和99.85%。在优化参数下，模型实际测试准确率为91.53%，MCC约为0.881，推理延迟为634-681毫秒/图。

4.2 交叉验证结果
为评估模型泛化能力并防止过拟合，研究人员采用5折交叉验证策略，在每折中模型以80%数据训练、20%数据验证。结果表明，当训练轮数为20时，模型的平均F1分数、召回率、精确率和准确率分别为98.62%、98.58%、99.85%和95.72%，且各折间标准差很小(≤0.115)，证明模型在不同数据子集上表现稳定。随着训练轮数增至50和100，性能略有下降，但仍保持较高水平(F1分数分别为98.20%和96.48%)，表明模型在较长训练过程中依然保持稳健。

4.3 与基线模型的性能比较
在批大小为8、学习率为0.0001的条件下，研究人员将混合ViT模型与基础ViT、MobileNet和VGG16在20、50、100个训练轮数下进行了系统对比。混合ViT在20轮时即达到最佳性能(F1分数98.62%、召回率98.58%、精确率99.85%、准确率95.72%)，显著优于基础ViT(其召回率达100%但精确率仅85.80%，准确率仅69.48%)。MobileNet和VGG16虽随训练轮数增加稳步提升，但在100轮时F1分数分别为95.34%和95.82%，仍低于混合ViT在20轮时的水平。此外，与文献中基于PlantVillage数据集的方法相比，尽管部分基准模型报告了更高的准确率，但因其使用的数据集多为均匀照明、背景去除的简单图像，而本研究采用包含复杂田间背景的定制数据集，因此更贴近实际应用场景。混合ViT在精确率、召回率和F1分数上达到了与这些基准方法相当甚至更优的性能，突显了其在实际农业环境中的优越性和泛化能力。

五、讨论与结论
讨论部分指出，混合ViT的成功归因于InceptionV3多尺度局部特征提取与ViT全局上下文建模的互补融合，以及RSM在超参数优化中的系统性贡献。自注意力机制使模型天然具备内置可解释性，可自动聚焦病害感染区域。尽管模型表现出色，但仍存在局限：数据集仅含三类病害且规模有限(1,690张)，图像采集自单一地理区域(ICAR-VPKAS, Almora)，可能限制模型对不同农业生态区、品种及病害株系的泛化能力；模型计算成本高于轻量级CNN；未在边缘计算平台进行部署验证。未来研究需在更大规模、更多样化的独立数据集上进行外部验证，并通过剪枝、量化等技术优化计算效率。

研究结论总结如下：本研究通过迁移学习成功构建了融合ViT与InceptionV3的混合深度学习模型，用于番茄叶片健康、晚疫病和白粉病的三分类。经RSM优化，最优超参数组合(训练轮数20、学习率0.0001、批大小8)使模型获得98.62%的F1分数、98.58%的召回率、99.85%的精确率和95.72%的准确率，证实了模型识别病害症状的有效性，有助于早期诊断和及时干预。分类框架的推理延迟为每张图像634-681毫秒，估算处理速度约为1.47-1.58张/秒，虽高于传统轻量级CNN，但展示了近实时病害检测的能力。与传统CNN模型相比，该混合架构凭借自注意力机制的优势，以更轻量、更少的参数实现了对复杂病害区域的关注。模型具备在智能农业中部署的潜力，尤其可结合边缘设备用于精准喷雾系统的田间实时诊断，为可持续智慧农业提供经济高效、可扩展的病害位点特异性管理方案。未来工作将包括在田间条件下对多作物数据集进行验证，集成至自主农业平台，以及通过模型剪枝、量化、知识蒸馏和轻量化架构等手段进一步降低计算复杂度和推理延迟。