RBG成像和深度学习的进步可用于准确评估赤霉病

赤霉病(FHB)是小麦中一种广泛传播的花卉病害，会造成严重的产量损失并产生有害的霉菌毒素，造成严重的健康风险。最近的研究重点是改善疾病检测，高光谱成像被证明是有效的，但受到成本和时间的限制。因此，红绿蓝(RGB)成像因其经济实惠和速度快而受到重视，尽管它仅捕获可见光谱。

深度学习的进步促进了使用RGB数据进行更准确的基于图像的疾病检测。然而，由于疾病表现的多变性和现有数据集的限制，当前的方法严重依赖于受控的解剖耳成像，并且在现场应用中面临挑战。因此，开发更强大、现场适用的基于RGB的检测方法以准确评估不同条件下FHB的严重程度非常重要。

2023年7月，PlantPhenomics发表了一篇题为“使用来自新颖的多年、多评估者数据集的RGB图像进行高效无创FHB估计”的研究文章。

在本研究中，开发了一种基于EfficientNet的算法，使用来自消费级相机的RGB图像来估计FHB严重程度，从而绕过了先前像素分割的需要。与ResNets或MobileNets等较慢的网络不同，EfficientNet不仅更快、更小，而且还可以部署在移动设备上。

将网络的可靠性与评估者间的可靠性进行比较，并在不同年份和不属于训练集的数据中评估其性能，表明科恩的kappaκ在评估者之间表现出中等程度的平等，但随着年份的不同而变化，偏差通常在一个严重级别内。

该研究进一步发现，使用特定评估者注释训练的神经网络很好地适应了他们的评估，与评估者匹配相比，导致一致性增加，并且表现出较少的大标签错误预测，表明其准确性。

准确度、加权F1分数、精确度和召回率指标进一步证实这些神经网络在性能上超越了评估者匹配。有趣的是，使用不同年份的数据进行训练并在单年数据集上进行测试的网络表现出不同的性能。

多年数据网络在分类和回归指标方面通常优于单年网络，强调了数据集大小和多样性对于增强模型性能的重要性。

总之，该研究表明了通过覆盖更广泛的FHB严重性的更广泛的数据集来改进模型的潜力，并建议通过图像预处理的自动化来提高效率。未来的工作可能涉及在移动应用程序中实施这些模型，或将它们与基于无人机的数据集成以进行大规模现场试验，利用EfficientNet与移动设备的兼容性。