基于混淆驱动异质层级迁移学习与硬路由的咖啡叶片九类营养缺乏分类框架

《Advances in Agriculture》:An Artificial Intelligence Ensemble Model for Classifying Nutritional Deficiencies in Coffee Leaf Images

【字体: 大 中 小 】 时间:2026年10月01日 来源:Advances in Agriculture 3.4

编辑推荐:

  咖啡植株营养缺乏会降低作物产量和品质,而视觉诊断需要专业知识。本研究评估了一种用于咖啡叶片图像九类营养缺乏分类的异质层级迁移学习(transfer-learning)框架,该框架采用硬路由(hard routeing)。分析使用 CoLeaf 数据集中的100

  
咖啡植株营养缺乏会降低作物产量和品质,而视觉诊断需要专业知识。本研究评估了一种用于咖啡叶片图像九类营养缺乏分类的异质层级迁移学习(transfer-learning)框架,该框架采用硬路由(hard routeing)。分析使用 CoLeaf 数据集中的1000幅图像。采用 Otsu 阈值分割(Otsu thresholding)分离叶片区域,并使用具有冻结 ImageNet 预训练骨干网络的 VGG19、ResNet50、MobileNetV2 和 InceptionV3,评估四种数据增强与类别平衡配置。初始直接分类器同时预测九个类别。层级框架随后将该任务重构为四组:第1组包括硼和钙;第2组包括铁、镁和锰;第3组包括氮、磷和钾;第4组表示多种缺乏。分配至第1–3组的图像被路由至相应的专家分类器,而分配至第4组的图像直接分类为多种缺乏。对于九类直接基线,MobileNetV2-E3 获得准确率63.39%、宏平均F1(macro-F1)58.21%和加权F1(weighted-F1)62.98%。所选第1轮组级分类器 MobileNetV2-E2 分别获得77.63%、65.76%和75.63%。在相应组特异子集内的条件评估产生加权F1值:第1组专家 VGG19-E2 为97.44%,第2组专家 MobileNetV2-E3 为75.78%,第3组专家 MobileNetV2-E4 为84.10%。氮和多种缺乏仍具挑战性,分别获得类别特异F1分数(class-specific F1-score)68.75%和13.33%。研究结果表明,可为各个层级节点选择不同架构和数据配置。独立外部验证以及传播路由误差的评估仍有必要。
咖啡是全球广泛消费和贸易的农产品,60多个国家生产,支撑约1.25亿人生计。叶片状态是植株健康和潜在产量的重要指标。咖啡营养缺乏通过叶片颜色和质地变化表现,不同缺乏具有可视觉识别的症状:氮缺乏通常从老叶或成熟叶开始向幼嫩组织发展,形成逐渐均匀的褪绿;磷缺乏逐渐导致老叶斑驳褪绿和坏死斑;钾缺乏沿叶缘出现褪绿带和坏死斑;钙缺乏影响最幼叶,使其呈青铜色并向下杯状卷曲;镁缺乏在老叶边缘产生浅褪绿和凹陷浅褐坏死斑;铁缺乏在幼叶产生明显脉间褪绿;硼缺乏使幼叶异常、浅绿、变小弯曲并伴斑驳坏死和叶尖坏死;锰缺乏在幼叶呈现脉间褪绿。及时检测对维持植株健康重要。传统检测依赖人工和实验室分析,耗时且成本高,尤其不利于发展中地区小规模农户。图像处理和人工智能(artificial intelligence, AI)为自动作物监测和营养缺乏评估提供机会,卷积神经网络(convolutional neural network, CNN)和迁移学习(transfer learning)可减少人工特征工程需求。但咖啡叶片营养缺乏分类仍有挑战:若干缺乏产生视觉重叠症状,如褪绿、坏死、边缘变色和脉间颜色变化;数据集有限且不平衡,单一分类器难以在所有缺乏类别中一致表现。

既往研究早期主要使用手工图像特征和传统分类器,例如 Monsalve et al. 使用随机森林区分八种营养缺乏,并采用 Otsu 分割、中值滤波和背景去除等预处理;Vassallo-Barco et al. 在 CoLeaf Dataset V1 中研究四类营养缺乏,使用 Otsu 预处理、形状描述符以及 KNN 和神经网络等分类器;Adavakkat et al. 在 CoLeaf Dataset V2 的424幅图像上评估五种预训练 CNN,分类硼、钙、铁和钾缺乏,但仅限四类;Lewis and Espineli 对八种营养缺乏应用 CNN 分类;Sosa et al. 将手工描述符与神经网络分类器结合用于四类营养。相关咖啡叶病害研究进一步表明机器学习、深度学习、迁移学习、数据增强和集成策略的价值,例如 Gupta et al. 提出基于集成的迁移学习框架,通过类别聚合和增强处理类不平衡,并平均组合高性能分类器输出。但已有集成多是在输出层组合预测,而非将困难多类问题分解为顺序的粗粒度和细粒度分类阶段。其他作物研究也支持 AI 识别营养相关视觉症状,如水稻氮磷钾缺乏、玉米营养缺乏和香蕉叶片营养分类。综上,自动化植物健康评估已有进展,但仍存在数据有限或不平衡、症状视觉重叠、不同营养类别性能不均和类别覆盖受限等挑战。咖啡领域较少关注层级策略,即先将视觉相关缺乏分入较宽组,再用专家分类器区分;为层级不同组件独立选择 CNN 架构和数据增强或类别平衡策略也未充分研究。为此,研究人员提出一种用于咖啡叶片图像九类营养缺乏分类的异质层级集成框架。与常规投票集成不同,该框架先使用组级分类器将每幅图像分配至症状相关缺乏组,再路由至组内专家分类器。主要贡献包括:混淆驱动层级分组策略;异质模型选择策略,允许组级分类器和各专家分类器独立选择 CNN 架构与数据平衡配置;使用 CoLeaf 数据集中全部九类营养缺乏,包括异质的多种缺乏类别,并与初始直接九类分类进行总体和类别级比较。

关键技术方法概括如下,不超过250字:研究人员使用公开 CoLeaf 数据集,原始1006幅,排除6幅健康叶,保留1000幅九类:硼、钙、铁、镁、锰、氮、磷、钾和多种缺乏。样本来自秘鲁 Cajamarca, Jaén 的 San Miguel de las Naranjas 和 La Palma Central 咖啡种植园,品种为 Catimor、Caturra 和 Bourbon,由农艺师分类并在受控协议下拍摄。图像经 Otsu 阈值分割,按分层70:30分为705幅开发和295幅保留模型选择与评价集,开发集内五折交叉验证。构建E1原始不平衡、E2增强保持不平衡、E3增强后欠采样、E4增强后过采样四配置。使用ImageNet预训练且冻结骨干的VGG19、ResNet50、MobileNetV2和InceptionV3,后接全局平均池化、1024单元ReLU全连接和softmax。采用硬路由层级,评价accuracy、precision、recall、F1、宏平均F1(macro-F1)和加权F1(weighted-F1),并以105次类别分层bootstrap估计不确定性。

研究结果如下。3.1 实现细节:研究人员在Python的TensorFlow/Keras和Google Colab中实现,使用Intel Core i7、16 GB RAM和NVIDIA GeForce RTX 3060。所有模型以ImageNet权初始化、include_top=False,完整卷积骨干冻结,作为固定特征提取器;使用Adam默认学习率0.001、类别交叉熵损失、五轮训练,无学习率调度、无早停、无dropout;不同骨干使用相应输入尺寸。结论是实验以冻结预训练网络作为特征提取器,输出单元数随直接九类、第1轮四类、组1两类、组2和组3三类而变化。3.2 数据配置与评价指标:通过E1至E4及整体准确率、类别级precision、recall、F1、macro-F1和weighted-F1比较,直接九类基线中 MobileNetV2-E3 最强,准确率63.39%、macro-F1为58.21%、weighted-F1为62.98%;观察到的混淆模式促使将相关类别聚合。3.3 ROUND 1:Aggregated Class Training:将九类重构为四组,G1为钙和硼,G2为铁、镁和锰,G3为氮、磷和钾,G4为多种缺乏。3.3.1 Best Performing Experimental Setup:通过四种实验设置比较,E2即增强但保持类别不平衡数据集在第1轮最有效;MobileNetV2-E2获得准确率77.63%、macro-F1为65.76%、weighted-F1为75.63%,其中G1、G2、G3的F1较高,G4仅13.3%。3.3.2 Best Performing Architecture: MobileNetV2:在E2下比较四种架构,MobileNetV2-E2在保留模型选择与评价集上最高,被选为第1轮分类器;InceptionV3-E2次之,准确率75.59%、weighted-F1为73.85%。直接基线中钙44/48、磷56/73正确,而氮仅7/19、多种缺乏仅7/31正确;第1轮 MobileNetV2-E2 正确分类G1 64/78、G2 59/66、G3 103/120,但G4仅3/31,17幅多种缺乏被分到G3、7幅到G1、4幅到G2。3.4 ROUND 2:Intra-Group Fine-Grained Training:对每组训练独立模型区分组内具体营养缺乏,每组均评估E1至E4和四种架构。3.4.1 Group 1 (G1): Calcium (Ca) vs. Boron (B):通过组1实验,VGG19-E2被选为最佳,准确率97.44%、macro-F1为97.29%、weighted-F1为97.44%,硼29/30、钙47/48正确,仅两个错误;MobileNetV2-E3也有竞争力,准确率95.16%、weighted-F1为95.14。E4下VGG19总体最强,但最终组1专家为VGG19-E2。3.4.2 Group 2 (G2): Iron (Fe) vs. Magnesium (Mg) vs. Manganese (Mn):通过组2实验,MobileNetV2-E3被选为最佳,准确率75.76%、macro-F1为75.73%、weighted-F1为75.78%;铁15/19、镁19/23、锰16/24正确。最频繁错误为锰被分到镁5幅、铁3幅;铁和镁互相错分各3幅。原文指出E3平衡分布可能有助于更公平学习类别特异模式。3.4.3 Group 3 (G3): Nitrogen (N) vs. Potassium (K) vs. Phosphorus (P):通过组3实验,MobileNetV2-E4被选为最佳,准确率84.17%、macro-F1为79.23%、weighted-F1为84.10%;氮11/19、磷64/73、钾26/28正确。氮最难,F1为68.75%;磷主要与钾混淆,8幅磷被分到钾。E4过采样将各类平衡至865幅,防止偏向磷。3.5 Analysis of Difficult Classes:通过困难类别分析,氮在组3中仍最难,precision为84.62%、recall为57.89%、F1为68.75%;多种缺乏在第1轮最弱,31幅仅3幅正确归入G4,其余17幅到G3、7幅到G1、4幅到G2,precision、recall、F1分别为21.43%、9.68%、13.33%。3.6 Grad-CAM Results:通过梯度加权类激活映射(gradient-weighted class activation mapping, Grad-CAM)定性分析,正确硼例激活与下半部变色和边缘损伤重叠,正确镁例激活集中于中部至右侧脉间区,正确磷例激活与下部红褐坏死区一致;错误氮被分为钾时广泛激活基底半部,多种缺乏误路由至G3时最高激活在严重变色坏死区,正确钙例出现边界邻近激活。结论是正确预测多与可见改变叶片组织相关,错误反映对主导症状的选择性注意和偶发边界敏感性,但仅为定性审计。

讨论部分可总结为:4.1 Interpretation of the Hierarchical Framework:直接九类基线说明同时区分视觉重叠缺乏的困难;第1轮四组分类准确率77.63%,但因标签空间不同,不能解释为从基线到第1轮的绝对性能提升。不同第2轮专家选择表明架构和数据配置可随层级节点变化,而非统一配置。专家指标为条件结果,不含第1轮路由错误,不能证明完整层级优于直接九类基线。4.2 Influence of Data Configuration and Class Imbalance:E2用于第1轮,E3用于组2,E4用于组3;这些差异说明增强和类别平衡效果可能依赖类别数、相对频率和症状相似性。但实验未隔离增强、欠采样或过采样的因果贡献,也未进行预定义成对显著性检验;macro-F1与weighted-F1差异反映类别不平衡影响;bootstrap区间只表示评价子集采样不确定性,不代表独立训练运行变异。4.3 Difficult and Heterogeneous Categories:氮因褪绿、变色和边缘症状重叠而困难;多种缺乏问题更严重,因其聚合多个可能营养组合,类内异质且无一致视觉表示。错误分布提示预测可能由每幅图像中视觉主导症状驱动。多标签公式更适合并发缺乏,但缺乏完整的专家验证营养级注释。部署时,疑似并发缺乏叶片可能被路由到主导症状分支,其他缺乏未被识别,因此不应作为独立诊断工具,需要专家验证多标签注释、多标签模型以及不确定或弃权机制。4.4 Comparison With Previous Studies:不同数据集、标签集、样本量、预处理和评价协议限制直接数值比较。Monsalve et al. 使用335幅咖啡叶图像、八类、手工特征和随机森林,总体准确率67.5%;Vassallo-Barco et al. 使用CoLeaf V1子集269幅、四类、形状纹理描述符和传统分类器,平均F1为64.9%;Adavakkat et al. 使用CoLeaf V2子集424幅、四类、五种CNN迁移学习,总体F1为96.0%。本研究覆盖九类,增加层级分解和多种缺乏聚合类,改变难度与解释。4.5 Explainability Analysis:Grad-CAM正确例一般与变色、脉间变化、边缘损伤和坏死组织相关,错误例与定量混淆模式一致,但不能证明高亮区域具有生物学因果性或独特诊断性。4.6 Limitations and Future Work:研究仅使用一个公开数据集1000幅图像,类别大小从64幅氮到246幅磷,且为受控成像,不能代表农场、品种、地区、设备和采集协议全部变异;无独立外部数据集;保留集用于模型选择,故报告值应视为内部评价估计,可能相对新独立数据集乐观;第2轮结果条件于真实组特异子集,排除第1轮路由错误,未报告完整层级端到端九类指标;分割、层级分组和专家路由未通过受控端到端消融评价;Grad-CAM仅六例定性分析,无专家像素级症状注释和定量定位指标。未来将扩充数据、控制使用合成图像、专家重标注后研究多标签、评估ConvNeXt和EfficientNetV2、进行端到端消融并传播第1轮路由误差、开展跨农场品种设备和地区外部验证,并使用预定义主比较、独立重复训练、多个随机种子、配对预测和多重比较程序。

研究结论翻译:本研究引入一种异质层级迁移学习框架,采用硬路由,用于分类咖啡叶片图像中的九个营养缺乏类别。所提贡献不是新的CNN骨干,也不是常规输出平均集成,而是将原始九类问题依据混淆驱动分解为组级分类器,随后由独立选择的专家分类器处理。直接MobileNetV2-E3基线取得准确率63.39%和加权F1为62.98%。层级阶段中,MobileNetV2-E2被选为第1轮,VGG19-E2为第1组,MobileNetV2-E3为第2组,MobileNetV2-E4为第3组。不同节点选择不同架构和数据配置表明单一配置并非对分类问题所有部分最优。氮和多种缺乏仍具挑战,因视觉重叠和显著类内异质性。Grad-CAM分析进一步表明正确预测通常与可见改变的叶片区域相关,而所选错误反映对主导症状模式的关注及偶尔对叶片边界的敏感性。关键的是,第2轮专家指标以真实组特异子集为条件,排除第1轮路由阶段产生的错误。因此,本研究未报告完整层级管线的端到端九类性能指标,专家结果不应解释为完整层级优于直接九类基线的证据。研究结果反而支持节点特异层级建模的可行性。在更广泛应用前,需要传播路由误差的端到端评估、独立外部验证和专家支持的多标签标注。多种缺乏识别特别低也限制即时田间部署,因为并发缺乏模式可能被简化为单一主导症状;稳健部署因此需要多标签建模和标记不确定病例供专家评估的机制。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号