新的人工智能算法可更准确地检测植物病害

每年，由细菌、病毒和真菌引起的植物病害都会造成重大的经济损失。及时发现这些疾病对于遏制它们的传播和减轻农业损害是必要的，但也是一个重大挑战，特别是在大规模生产地区。智能农业系统使用配备人工智能 (AI) 模型的摄像头监控来检测植物病害的特征，这些病害通常表现为叶片形态和外观的变化。

然而，传统的图像分类和模式识别方法会从训练集中提取指示患病植物的特征。因此，它们的可解释性很低，这意味着描述学习到的特征具有挑战性。此外，获取用于模型训练的大型数据集是乏味的。基于专家设计的特征检测器、描述符和词汇表选择的手工特征为该问题提供了可行的解决方案。然而，这些通常会导致采用不相关的特征，从而降低算法性能。

幸运的是，解决方案即将出现。来自中国和新加坡的数据科学家和植物表型组学专家团队开发了一种用于特征选择的群体智能算法 (SSAFS)，可实现基于图像的高效植物病害检测。他们在最近发表于Plant Phenomics的研究中报告了该算法的开发和验证。在解释引入 SSAFS 的好处时，本研究的通讯作者季志伟教授评论道，“ SSAFS 不仅显着减少了特征数量，而且显着提高了分类精度。”

该研究结合了两个原理：高通量表型组学，通过它可以大规模分析疾病严重程度等植物性状，以及计算机视觉，其中提取代表特定条件的图像特征。使用 SSAFS 和一组植物图像，研究人员确定了植物病害的“最佳特征子集”。该子集包含仅包含高优先级特征的列表，这些特征可以成功地将植物分类为患病或健康，并进一步估计疾病的严重程度。SSAFS 的有效性在四个 UCI 数据集和六个植物表型组学数据集中进行了测试。这些数据集还用于将 SSAFS 的性能与其他五种类似的群体智能算法的性能进行比较。

研究结果表明，SSAFS 在植物病害检测和严重程度估计方面均表现良好。事实上，它在识别最有价值的手工图像特征方面优于现有的最先进算法。有趣的是，这些与疾病相关的特征中的大多数是局部的——即它们涉及不同的模式或结构，例如点、边缘和斑块，这些在患病植物中经常观察到。总的来说，该算法是一种有价值的工具，可用于获得指示植物病害的手工图像特征的最佳组合。它的采用可以显着提高植物病害识别的准确性并减少所需的处理时间。

当被问及他们研究的未来意义时，季教授评论说：“这项工作对植物表型组学的重要贡献之一是通过一种新颖的计算方法定义了手工制作的特征和相关特征的精确筛选。他补充说：“我们建议结合植物图像的全面手工制作和非手工制作的特征，以便在表型组学领域进行准确有效的检测。”