基于ResNet50与量子机器学习(QML)混合模型的芒果叶片病害分类

《Frontiers in Sustainable Food Systems》:Mango leaf disease classification using a hybrid model of ResNet50 and quantum machine learning

【字体: 大 中 小 】 时间:2026年06月01日 来源:Frontiers in Sustainable Food Systems 3.1

编辑推荐:

  摘要:作物健康状况的变化(尤其是由病害引起)显著影响农业生产力与粮食安全。传统上,芒果等作物的病害检测依赖专家目视检查,而利用先进计算技术的自动化系统正成为高效替代方案。本研究通过开发一种结合深度学习和量子机器学习(QML)的新一代混合框架——将基于Image

  
摘要:作物健康状况的变化(尤其是由病害引起)显著影响农业生产力与粮食安全。传统上,芒果等作物的病害检测依赖专家目视检查,而利用先进计算技术的自动化系统正成为高效替代方案。本研究通过开发一种结合深度学习和量子机器学习(QML)的新一代混合框架——将基于ImageNet预训练的50层残差卷积神经网络(ResNet50, Residual Neural Network-50)与采用量子核方法(Quantum Kernel Method)并在经典模拟下运行的量子支持向量机(QSVM, Quantum Support Vector Machine)相结合,以解决传统目视检查方法判别力不足的问题,实现从复杂叶片图像模式中选择性检测并准确识别8种病害类别。研究人员使用包含4000张芒果叶图像的MangoLeafBD数据集,通过分层抽样(stratified sampling, 80/20)划分为训练集与测试集以保持8个病害类别(炭疽病Anthracnose、细菌性溃疡Bacterial Canker、切鞘象甲Cutting Weevil、回枯病Die Back、瘿蚊Gall Midge、健康Healthy、白粉病Powdery Mildew和煤污病Sooty Mould)的类分布平衡。实验结果表明,混合ResNet50?QSVM模型在五次独立运行下的测试准确率为0.989?±?0.005,优于单独ResNet50(0.953?±?0.012)及ResNet50配经典支持向量机(SVM, Support Vector Machine)(0.981?±?0.008)。此外,在经典模拟下集成量子核方法对非线性特征分离(尤其是视觉相似的病害对)表现出有竞争力的性能。研究结果凸显了在混合经典?量子框架中应用量子启发核方法以提升自动芒果叶病害检测准确性与可靠性的可行性,为真实场景下作物监测应用进一步研究提供了可扩展的基础。
论文解读:《Mango leaf disease classification using a hybrid model of ResNet50 and quantum machine learning》发表于《Frontiers in Sustainable Food Systems》
一、研究背景与意义
芒果(Mangifera indica)是热带及亚热带地区重要的经济作物,其生产常受到炭疽病(Anthracnose)、细菌性溃疡(Bacterial Canker)、切鞘象甲危害(Cutting Weevil)、回枯病(Die Back)、瘿蚊(Gall Midge)、白粉病(Powdery Mildew)及煤污病(Sooty Mould)等多种病害威胁,造成产量与品质下降。传统病害检测依赖农业专家人工目视诊断,该方法劳动密集、易受主观误差影响,且在资源受限地区缺乏足够专业人员,难以规模化应用于大面积果园监测。近年来卷积神经网络(CNN, Convolutional Neural Network)等深度学习技术在植物病害图像识别中取得进展,但面对高维数据和相似症状类别时仍存在过拟合与区分能力不足的问题。量子机器学习(QML, Quantum Machine Learning)利用量子叠加与纠缠原理在高维特征空间中探索潜在模式,其中量子支持向量机(QSVM, Quantum Support Vector Machine)借助量子核方法(Quantum Kernel Method)有望提升非线性可分性。然而将QML与经典深度特征提取器结合用于植物病害分类的研究仍较匮乏。为此,研究人员提出一种融合ResNet50特征提取与QSVM量子核分类的混合框架,在MangoLeafBD数据集上验证其有效性,探讨量子启发核方法在农业视觉任务中的应用潜力。
二、主要关键技术方法
研究人员选用公开MangoLeafBD数据集(4000张RGB图像,8类每类500张),按80%训练、10%验证、10%测试进行分层划分(stratified sampling)。训练集单独施加数据增强(随机旋转±20°、宽高平移0.1、水平翻转)。原始图像缩放至80×80像素并经ImageNet统计量归一化后送入预训练ResNet50骨干网(前35层冻结,其余微调),全局平均池化(GAP, Global Average Pooling)后接Dense(256)+BatchNorm+Dropout输出256维特征向量;用于QSVM时经StandardScaler标准化后再用主成分分析(PCA, Principal Component Analysis)降至8维以匹配8量子比特(qubit)ZZ特征映射(ZZFeatureMap, reps=2, full entanglement)。量子核由FidelityQuantumKernel通过Qiskit Aer态矢量模拟器(statevector_simulator)计算核矩阵,传入经典SVM(kernel='precomputed', C=1.0, one-vs-one策略)完成八分类。对照设置:单独ResNet50(Dense(8)+Softmax)、ResNet50+经典RBF-SVM。所有实验重复5次不同随机种子(0,21,42,84,123),结果取均值±标准差。硬件环境含NVIDIA H100 GPU及Qiskit 2.3.0量子模拟套件。
三、研究结果
3.1 Dataset(数据集)
MangoLeafBD数据集含自然光照与复杂背景下采集的芒叶片图像,8类均衡分布。分层划分确保各类比例一致,增强集仅用于训练以防信息泄露。研究人员指出数据集中存在少量近重复图像但未提供植株分组元数据,未做group-k-fold划分。
3.2 Proposed system(所提系统)
混合流程依次为:80×80输入图像→ResNet50特征提取(冻结前35层)→256维特征向量→PCA降至8维→ZZFeatureMap编码→Fidelity量子核矩阵计算→经典SVM分类→输出类别及置信度(低置信<90%提示人工复核)。分辨率消融实验表明80×80在精度损失极小(较224×224低约0.5%)前提下推理速度提升约7倍且显存占用低(1.0–1.2 GB),故选作主配置。
3.3 Experimental setup and computational environment(实验设置与计算环境)
实验在配备双NVIDIA H100(80 GB HBM3)的高性能服务器运行,Python 3.11+TensorFlow 2.19.0+Qiskit Machine Learning 0.9.0。量子电路以态矢量精确模拟无采样噪声。QSVM核矩阵计算为主耗时环节(约O(N2)次电路求值)。
3.4 Performance measurement parameters(性能指标)
采用准确率(Accuracy)、精确率(Precision)、召回率(Recall)、F1值及混淆矩阵(Confusion Matrix)评估。混合ResNet50?QSVM测试准确率0.989±0.005,Precision 0.988±0.006,Recall 0.989±0.005,F1-score 0.988±0.006,均优于单独ResNet50(0.953±0.012)和ResNet50+经典SVM(0.981±0.008)。每类细粒度指标显示细菌性溃疡、切鞘象甲、瘿蚊及健康类达完美分类,主要残留混淆见于炭疽病?白粉病及回枯病?煤污病这对视觉相似类别。
3.5 Error analysis(误差分析)
混淆矩阵显示QSVM配置下对角线占优最强,经典SVM次之,单独ResNet50 off?diagonal错误最多——说明量子核的非线性映射在模拟环境下对高维特征空间具额外判别力。系统输出预测类别及置信概率便于农户判断,低置信结果可标记专家复检。
3.6 Sensitivity to simulated NISQ noise(对模拟NISQ噪声敏感性)
施加1%单量子比特去极化噪声模型后,测试准确率由0.989±0.005降至0.972±0.011,提示真实含噪声中等规模量子(NISQ, Noisy Intermediate-Scale Quantum)硬件上需误差缓解策略。
3.7 Limitations and NISQ feasibility(局限性与NISQ可行性)
全部量子电路为经典模拟,未在实际量子处理器运行;当前NISQ设备受相干时间、读出噪声等限制会使核估计质量下降,且>10 qubit模拟受内存指数爆炸制约,本研究未证明实际量子优势,属理想条件下量子启发核方法的探索性研究。
四、讨论与结论总结
研究人员得出结论:所提ResNet50与QSVM混合模型在MangoLeafBD八类芒果叶病害分类任务上达到测试准确率0.989±0.005,超越单独ResNet50(0.953±0.012)及ResNet50配经典RBF?SVM(0.981±0.008);ZZFeatureMap量子核在经典模拟中对非线性特征(尤视觉相似病害对)具一定分离增益。所有量子计算基于Qiskit Aer态矢量后端理想模拟,未展现超越经典核的实际量子优势;模拟去极化噪声致精度降至0.972±0.011,表明NISQ时代部署需噪声缓解。该研究为混合经典?量子框架在农业病害检测中的探索提供了基础,未来可在变分量子核、误差缓解NISQ实验及小规模量子处理器上进一步拓展。
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