用于更准确植物病害诊断的新机器学习框架

由于植物病害造成的经济负担和对粮食安全的影响，它们对全球各国构成了重大威胁。健康的作物维持着数百万人的生计，准确诊断植物病害可以及时进行干预，以确保充足的作物产量，同时将产量损失降至最低。传统的疾病识别方法通常遵循两条路径。第一个依赖训练有素的专家对作物进行检查，而第二个则利用神经网络和图像处理。然而，这两种选择都有其局限性。虽然训练有素的专家会在容易出错且耗时的人工检查后提供意见，但传统的图像处理方法只能提取表面信息，需要先决条件培训才能做出更好的预测。

在这方面，神经网络——检测数据中潜在关系的算法集合——在植物病害分类方面取得了可喜的成果。需要注意的是缺乏足够的训练数据。良好的数据收集在受控环境中是可能的，但在现实世界中并不平凡。在野外，疾病可能很少见或不容易观察到。此外，疾病样本可能具有复杂的背景、不同的形状和遮挡。基于神经网络的疾病分类器在训练后将知识应用于新数据集的能力也受到限制。

现在，一组研究人员开发了一种新的、相对简单的神经网络，称为“跨物种植物病害分类不确定性正则化的多表示子域适应网络”(MSUN)，可以准确地对自然环境中的植物病害进行分类。为此，他们应用了一种称为无监督域适应 (UDA) 的迁移学习技术来简化植物病害识别过程。该研究由南京林业大学范希建副教授领导，并发表在植物表型学上。本文于 2023 年 3 月 28 日在线提供。

范副教授也是该研究的通讯作者，他解释说：“UDA 允许我们的模型将其在训练期间学到的知识应用到不同的未注释数据集。我们训练 MSUN 在实验室的受控环境中对植物病害进行分类. 它现在可以使用 UDA 对复杂田间环境中的植物病害进行分类。

该团队在植物病害分类中利用 UDA 的方法代表了范式转变，因为它克服了当前基于 UDA 的方法的缺点。首先，在野外采集的图像很复杂——它们有几片叶子，相机拍摄角度很奇怪，而且可能很模糊。基于 UDA 的分类器有望处理这些混杂信息以实现准确的疾病分类。其次，这些分类器在处理受不同疾病状态、不同时间点或多个地点感染的植物时无法做出预测。第三，当可能出现类似的疾病表现时，分类器面临着重大挑战。当多种病原体感染单一植物物种或单一病原体感染多种植物物种时，就会发生这种情况。

“在学习植物病害特征的整体结构时，MSUN 是一种更强大的病害分类器。此外，它还可以从接收到的信息中捕获更多细节，”范副教授谈到新方法的优势时说。该研究发现，MSUN 并未受到在受控环境与现场环境中收集相同信息时出现的差异的阻碍。重要的是，该小组使用多个复杂的植物疾病数据集验证了 MSUN 的疾病分类准确性。当使用来自 PlantDoc、Plant-Pathology、Corn-Leaf-Diseases 和 Tomato-Leaf-Diseases 数据库的数据进行测试时，MSUN 表现出色并优于当前的分类器作物!

该团队对 MSUN 的前景持乐观态度，因为它有能力处理具有挑战性的数据集。他们相信它可以克服当前疾病分类器固有的不确定性，并且它将通过提供对疾病识别问题的重要见解来帮助未来的植物病理学研究。