《Horticulturae》：A Stability and Accuracy Evaluation of CNN, LR and GA-BP Models for Pepper Leaf Disease Recognition Based on a Multi-Dimensional Visual Feature Dataset
编辑推荐：
辣椒常遭受细菌性叶斑病和黄化曲叶病的侵袭，这严重降低了作物产量和果实品质。传统的目测诊断存在响应滞后、主观偏差大和人力消耗高等缺陷，而现有的智能检测流程缺乏标准化的预处理工作流、定量的特征筛选以及系统的模型比较。为填补这些研究空白，研究人员构建了一个包含126
辣椒常遭受细菌性叶斑病和黄化曲叶病的侵袭，这严重降低了作物产量和果实品质。传统的目测诊断存在响应滞后、主观偏差大和人力消耗高等缺陷，而现有的智能检测流程缺乏标准化的预处理工作流、定量的特征筛选以及系统的模型比较。为填补这些研究空白，研究人员构建了一个包含1260个样本（健康、细菌性叶斑病、黄化曲叶病）的辣椒叶片数据集。研究人员定量评估了三种分割算法（Lab b通道、RGB超绿、Otsu-ACWE），以选择最优的预处理方案。研究人员提取了32个融合视觉特征（27个RGB/HSV/Lab颜色矩 + 5个灰度共生矩阵（GLCM）纹理度量），并采用随机森林分类器剔除了7个低贡献冗余特征，保留了25个判别变量。研究人员构建了三个代表性模型，即卷积神经网络（CNN）、逻辑回归（LR）和遗传算法优化的反向传播神经网络（GA-BP），通过20次独立重复试验进行并行比较，并以准确率、精确率、召回率、F1分数和受试者工作特征曲线下面积（AUC）作为评价指标。结果证实，Lab b通道分割实现了优越的背景分离和完整的病斑边缘保留。CNN取得了最佳性能，平均测试准确率为97.67%，平均AUC为0.999，同时伴随最小的指标标准差和出色的稳定性。LR表现出较低的计算成本和快速的训练速度，在计算资源受限的应用场景中具有前景。相比之下，GA-BP显示出较弱的非线性拟合能力和严重的预测波动，不适用于高精度诊断。本研究提出了一个标准化的实验框架，为蔬菜叶片病害的智能识别提供理论指导和算法参考。所有实验均在标准化室内单一光照条件下采集的数据集上进行；因此，本研究的结论仅适用于此类受控场景。
论文解读文章
1. 研究背景与现存问题
辣椒作为一种经济价值高的蔬菜作物，其叶片病害（如细菌性叶斑病和黄化曲叶病）会显著降低产量和果实品质。传统的病害诊断依赖植保技术人员的人工田间观察，这种方法在大规模种植条件下存在响应滞后、主观误差大以及人力消耗高等问题。尤其在发病初期，症状不明显，人工难以准确区分健康与轻度病叶，容易错过最佳防治时机，导致农药过量施用和农产品质量下降。
尽管计算机视觉和机器学习技术已在精准农业中得到应用，但现有辣椒叶片病害检测研究仍存在明显不足：
- •
预处理方案缺乏标准化技术规范。 田间采集的图像包含土壤、杂草等复杂背景干扰，多数研究仅采用单一背景分割算法，缺乏对多种方法的定量比较，难以筛选出最适合辣椒叶片的最优预处理策略。
- •
特征筛选缺乏定量依据。 多数研究仅提取单一的RGB颜色特征，未融合多空间颜色特征（如HSV、Lab）和灰度共生矩阵（GLCM）纹理特征，也未通过定量特征重要性评估剔除低贡献的冗余特征，增加了计算消耗并降低了分类稳定性。
- •
模型比较维度单一。 现有研究通常只比较一两种算法，缺乏对包括卷积神经网络（CNN）、线性机器学习模型和智能优化神经网络在内的三类代表性模型的并行比较，且鲜有通过多次重复实验来消除随机误差，导致模型泛化性能和稳定性的评估结果可信度不高。
为解决上述问题，本研究旨在建立一个涵盖多算法图像分割、多模态特征融合、定量特征筛选和多模型比较的标准化实验流程，系统评估不同模型在辣椒叶片病害识别中的表现。
2. 研究内容、结论与意义
研究人员以健康辣椒叶片、感染细菌性叶斑病的叶片和黄化曲叶病叶片为研究对象，构建了一个包含1260个样本的数据集。通过比较三种背景分割算法、融合多维视觉特征并进行定量筛选，最终构建并对比了CNN、LR和GA-BP三种模型。研究得出结论：Lab b通道分割效果最佳；CNN模型在准确率和稳定性上均优于其他模型，平均测试准确率达97.67%；LR模型计算成本低，适合资源受限场景；GA-BP模型表现最差，不适用于高精度诊断。本研究提出的标准化实验框架为蔬菜叶片病害的图像预处理、特征工程和多模型比较提供了统一参考，为开发辣椒及其他高价值蔬菜作物的智能病害诊断算法提供了理论基础和经验证据。
3. 关键技术方法概述
- •
图像数据预处理： 研究人员比较了三种背景分割算法：Lab b通道分割、RGB超绿特征分割和Otsu-ACWE（大津法-无边缘主动轮廓模型）分割。通过交并比（IoU）和Dice系数进行定量评估，最终选用效果最佳的Lab b通道分割方法进行后续处理。所有分割实验均使用固定随机种子以减少随机性。
- •
视觉特征提取： 从RGB、HSV和Lab三个颜色空间中提取了27个颜色矩特征（一阶矩均值、二阶矩标准差、三阶矩偏度）。同时，基于灰度共生矩阵（GLCM）提取了5个纹理度量（熵、角二阶矩、相关性、逆差矩、对比度），计算偏移距离为1像素，方向为0°、45°、90°、135°，并取四方向平均值。
- •
特征筛选与模型构建：
- •
采用随机森林（RF）分类器对32个融合特征进行重要性排序，设定阈值为0.30，剔除了7个低贡献冗余特征，保留了25个判别变量。
- •
构建了三种分类模型：卷积神经网络（CNN）（输入224×224 RGB图像，三层卷积网络）、逻辑回归（LR）（输入25维特征，使用L2正则化，惩罚系数λ=0.00023）、遗传算法优化的反向传播神经网络（GA-BP）（输入25维特征，种群大小20，进化代数40）。
- •
模型评估方法： 采用分层随机抽样将数据集按4:1:1比例划分为训练集、验证集和测试集。所有模型均运行20次独立重复试验，以准确率、精确率、召回率、F1分数和AUC作为评价指标，并通过标准差衡量模型稳定性。
4. 研究结果
3.1 辣椒叶片图像的预处理结果
通过定性视觉观察和定量指标（IoU、Dice系数）综合评估，三种分割算法均能有效分离叶片前景与复杂背景。其中，Lab b通道分割在背景去除完整性和病斑区域细节保留方面表现最佳，能准确保留完整叶片轮廓和细微的病斑边界细节。相比之下，RGB超绿分割易造成叶片边缘像素丢失，Otsu-ACWE分割则产生过平滑的边缘，损失了精细纹理信息。
3.2 视觉特征的提取结果
研究人员展示了来自Lab、HSV、RGB三个颜色空间的9个颜色特征和5个GLCM纹理特征的统计分布。结果表明，某些特征（如L通道一阶矩、b通道一阶矩和偏度）在不同类别间呈现明显的数值分层，而另一些特征（如a通道二阶矩、S通道三阶矩）则存在较大的数值重叠。GLCM纹理特征中，细菌性叶斑病样本的平均对比度（637.78）远高于健康叶（370.03）和黄化曲叶病叶（32.13）。通过随机森林定量筛选，7个重要性评分低于阈值0.30的特征（包括S偏度、V一阶矩、a偏度、G二阶矩、G偏度等）被认定为冗余特征并予以剔除，最终保留25个有效判别特征用于建模。
3.3 分类模型的构建与检测性能
- •
3.3.1 CNN模型： 经过800轮训练，CNN模型在训练集上达到99.64%的准确率，在独立测试集上达到98.57%的准确率。其多类ROC曲线下的AUC值接近1.0（分别为1.000、0.998、0.999），表明模型具有极强的判别能力。
- •
3.3.2 LR模型： 通过网格搜索确定最优正则化系数λ为0.00023。LR模型在训练集上的准确率为96.90%，测试集准确率为95.24%。其ROC曲线的AUC值也表现优异（1.000、0.994、0.995）。
- •
3.3.3 GA-BP模型： GA-BP模型的训练集准确率为89.88%，测试集准确率为89.52%。其预测值与真实值的线性相关系数R仅为0.80左右，ROC曲线的AUC值（0.963、0.930、0.987）也明显低于前两个模型，且存在可见的与理想左上角的差距。
- •
3.3.4 三个分类模型的综合对比分析： 通过对20次独立重复试验结果的统计分析，CNN模型在所有指标上均表现最佳，其测试集平均准确率为97.67%，平均AUC为0.999，且各项指标的标准差最小（<0.011），证明了其卓越的准确性和稳定性。LR模型表现居中，测试集平均准确率为96.55%，标准差略高于CNN。GA-BP模型表现最差，测试集平均准确率仅为87.78%，且标准差最高（0.0287），显示出较差的稳定性和预测性能。
5. 讨论与结论总结
讨论部分：
研究表明，Lab b通道分割方法因其感知均匀性，能有效增强绿色叶片组织与复杂背景间的色度对比，并通过形态学后处理保留细微病斑边界，为后续特征提取提供了可靠基础。融合的多维视觉特征能够充分捕捉三类辣椒叶片的视觉差异，而随机森林的定量特征筛选有效平衡了特征维度与模型精度。CNN凭借其端到端的深度学习架构自动提取高级语义特征，展现了最高的分类精度和鲁棒性。LR模型基于手动筛选的浅层特征，表现出适中的识别性能和较低的计算开销。GA-BP模型尽管采用了遗传算法优化初始权重以缓解局部最优问题，但其有限的非线性拟合能力和对初始化及数据划分的高敏感性，导致其性能最差且波动最大。
本研究建立了标准化的实验流程，并通过重复实验提高了结论的客观性和可靠性。然而，研究也存在局限性：数据集仅包含三类叶片且在均匀光照下采集，可能限制模型在复杂田间环境的泛化能力；仅使用了浅层的颜色和纹理特征，未纳入形态和边缘特征；基础CNN模型计算资源需求较高。未来工作将扩展数据集、融合更多模态特征、采用轻量化网络并整合环境因素。
结论部分翻译：
本研究选取健康辣椒叶片、感染细菌性叶斑病的叶片和黄化曲叶病叶片作为研究材料，构建了一个基于计算机视觉和机器学习的辣椒叶片病害识别标准化实验工作流。建立了一套完整的实验流程，包括多算法图像分割、多模态视觉特征融合、定量特征筛选和异质多模型比较评估。主要结论总结如下：
Lab b通道分割算法取得了0.942的平均IoU值，并很好地保留了精细的病斑边界，其前景提取性能优于RGB超绿方法和Otsu-ACWE分割模型。融合了来自RGB、HSV和Lab空间的颜色矩以及GLCM纹理特征的集合能够充分捕捉三类辣椒叶片样本之间的视觉差异。根据随机森林分类器的特征重要性排序，剔除了7个重要性评分低于预设阈值0.30的冗余特征。这一策略在不降低判别能力的情况下减少了后续分类模型的计算开销。
CNN、LR和GA-BP模型之间存在明显的性能差异，整体性能排序为CNN > LR > GA-BP。在20次重复测试中，CNN模型达到了97.67%的平均测试准确率和0.999的平均AUC，同时拥有所有评估指标中最小的标准差，证明了其卓越的分类准确性和稳定性。LR模型参数更少，推理速度更快。GA-BP模型引入了遗传算法来优化BP神经网络的初始权重和偏置以缓解局部最优问题。尽管如此，GA-BP网络受限于其不足的非线性拟合能力和显著的预测波动，使其不适用于高精度的田间辣椒病害诊断。
进行多次独立重复试验并使用标准差量化模型稳定性，有助于减少单次运行中由数据集划分和随机权重初始化带来的随机误差。结合单因素方差分析显著性检验，有效增强了实验结论的可靠性和可重复性。本研究提出的标准化实验框架为蔬菜叶片病害检测中的图像预处理、特征工程和多模型比较提供了一个统一的参考，可为辣椒及其他高价值蔬菜作物的智能病害诊断中的算法筛选和实验设计提供理论基础和经验证据。
