图像驱动的深度学习框架用于基于代理的杂草影响评估与作物风险分析

《Discover Life》:An image-driven deep learning framework for proxy-based weed-impact assessment and crop-risk analysis

【字体: 大 中 小 】 时间:2026年07月11日 来源:Discover Life 1.7

编辑推荐:

  杂草竞争是导致植物抗逆性丧失和作物生产力下降的主要生物胁迫之一。这是因为杂草加剧了对水、养分、空间和阳光等关键资源的竞争。随着气候变化加剧和资源减少,农业系统必须通过及时且准确地评估杂草诱导的胁迫来保持稳定性和韧性。本文提出了一种图像驱动的深度学习框架,该框架

  
杂草竞争是导致植物抗逆性丧失和作物生产力下降的主要生物胁迫之一。这是因为杂草加剧了对水、养分、空间和阳光等关键资源的竞争。随着气候变化加剧和资源减少,农业系统必须通过及时且准确地评估杂草诱导的胁迫来保持稳定性和韧性。本文提出了一种图像驱动的深度学习框架,该框架结合了植物生态学分析和数字生物技术,以估算杂草压力并理解其对基于代理的杂草影响评估(Proxy-Based Weed-Impact Assessment, PBWIA)的影响。研究人员提出的流程集成了两个主要任务:使用带有卷积块注意力模块(Convolutional Block Attention Module, CBAM)的ResNet50模型进行杂草物种分类,以及使用轻量级SegNet网络进行像素级杂草分割。研究人员从分割图像中提取了生物意义上合理的指标,如杂草密度估计(Weed-Density Estimation, WDE)、杂草空间熵(Weed-Spatial Entropy, WSE)和杂草生长速率估计(Weed-Growth-Rate Estimation, WGRE),这些指标共同描述了杂草竞争的生态强度和空间变化。提取的特征随后被整合到基于代理的杂草影响评估(PBWIA)指标和多特征复合风险指数(Multi-Feature Composite Risk Index, MCRI)中,以评估相对杂草影响状况及相关作物风险水平。进一步利用基于XGBoost的回归框架进行一致性比较分析,并将农田划分为低、中、高风险组,支持图像驱动的杂草风险评估。该框架在几个基准农业数据集(如MH、Weed16、Weed Image Detection、CWFID)上进行了测试。测试结果表明,该模型对不同作物-杂草环境具有良好的泛化能力。实验显示,在MH和Weed16上的分类准确率达到99%,而基于MCRI的回归R2高于0.91,表明该模型具有强一致性分析。临床试验注册不适用。该研究不报告或涉及任何临床试验、干预研究或对人类或动物的生物医学实验。
研究背景:杂草是导致作物产量损失(5%-50%)的主要生物胁迫之一,传统均匀喷洒除草剂的方法忽略了杂草的空间异质性,导致成本增加和环境危害。现有自动化检测模型多局限于二元分类(杂草vs作物),缺乏对杂草密度、空间分布和生长动态的定量评估,难以转化为精准农业中的决策支持。因此,研究人员开展本研究,旨在提出一个结合深度学习、生态分析和数字生物技术的图像驱动框架,用于基于代理的杂草影响评估和作物风险分析。论文发表在《Discover Life》。

主要研究方法:该框架采用ResNet50结合卷积块注意力模块(CBAM)进行杂草-作物分类,轻量级SegNet网络进行像素级杂草分割。从分割图像中提取杂草密度估计(WDE)、杂草空间熵(WSE)和杂草生长速率估计(WGRE)等生态指标,并整合为基于代理的杂草影响评估(PBWIA)指标和多特征复合风险指数(MCRI)。利用基于XGBoost的回归框架进行一致性分析和风险分级。数据集来源包括MH-Weed16(大豆田)、CWFID(甜菜田)和Weed Image Detection(混合作物环境)。采用迁移学习(ImageNet预训练)和数据增强提升泛化能力。

研究结果:

**4.1 MH-Weed16结果**:通过混淆矩阵和分类报告证明了16种杂草物种的高分类性能(准确率99%),特征提取(WDE、WSE、WGRE)在不同田间条件下表现一致,MCRI值有效区分低、中、高风险组。XGBoost回归的R2>0.91,表明模型泛化能力强。

**4.2 CWFID结果**:在较小且带有像素级掩码的数据集上,回归模型保持了高准确性(R2>0.996),风险指标在不同注释格式下具有良好的迁移性,视觉检查证实了风险类别的可解释性。

**4.3 WID结果**:在异质环境数据集中,管道有效区分了低、中、高风险水平,高风险样本的WDE和WGRE值较高,XGBoost回归在所有阶段保持较低的预测误差。

**4.4 跨数据集讨论**:管道在三个数据集上均表现出:(i)高分类精度;(ii)高回归建模性能(MCRI预测);(iii)可解释的风险分层。WDE和WGRE成为主要预测因子,WSE和PBWIE提供互补信号。

**局限性**:代理指标依赖于分割质量,照明、遮挡和背景杂波可能导致分割误差。MCRI是确定性复合指数,而非独立验证的农学预测指标。

结论部分翻译:本文介绍了一个平衡的深度学习系统,用于精准农业中的杂草检测、特征提取和风险预测。所提出的管道在图像预处理、分类、分割和特征工程方面表现出良好效果,结合三个互补数据集(MH-Weed16、CWFID和WID)获得了生物上有意义的指标,包括WDE、WSE、WGRE和PBWIE。这些属性被汇集到MCRI中,实现了分层风险分类。实验结果表明,该框架在不同规模和注释风格的数据集上实现了高分类准确率、强回归预测能力和可解释的风险分类。特别是,MH-Weed16数据证明了大规模适用性,CWFID证明了像素级掩码适用性,WID证明了异质环境中的风险评分能力。这些结果支持了所提策略在杂草-作物实际交互中的多功能性和可靠性。未来工作将整合时间序列数据、多光谱指标和边缘设备实现,以实现田间实时决策。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

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