《Smart Agricultural Technology》:Assessing insect injury severity and plant biometric responses in sugarcane using image-based deep learning
编辑推荐:
本研究将深度学习技术应用于甘蔗虫害损伤的量化评估。研究人员开发了基于卷积神经网络(CNN)的实例分割模型,对甘蔗茎秆内部虫害损伤区域进行自动检测与像素级分割。通过数字图像处理技术自动提取茎秆形态计量特征,包括面积、长度和周长等参数。研究在巴西圣保罗州两个商业甘
本研究将深度学习技术应用于甘蔗虫害损伤的量化评估。研究人员开发了基于卷积神经网络(CNN)的实例分割模型,对甘蔗茎秆内部虫害损伤区域进行自动检测与像素级分割。通过数字图像处理技术自动提取茎秆形态计量特征,包括面积、长度和周长等参数。研究在巴西圣保罗州两个商业甘蔗田开展田间试验,涵盖RB 005014和CTC 1007两个甘蔗品种,共采集78丛、607根蔗茎样本。模型性能评估显示,精确率(Precision)达到0.81,召回率(Recall)为0.70,F1分数为0.75,平均精度(mAP50)为0.67。损伤面积的手工测量与自动测量之间决定系数(R2)为0.77。回归分析表明,蔗茎受甘蔗螟虫(Diatraea saccharalis)损伤长度比例每增加1个百分点,蔗茎鲜重降低0.85%(95% CI: 0.47–1.23%),茎长降低0.43%,节间数减少0.53%。甘蔗象鼻虫(Sphenophorus levis)损伤的发生与蔗茎鲜重8.2%的降低相关联。因子分析显示损伤变量与植株形态计量变量分属两个独立维度,共同解释80%的总方差。研究结果表明,连续化的损伤严重度指标比简单的有无判断能更有效地反映植株生物计量响应,为害虫经济危害水平(EIL)的制定提供了量化方法框架。
论文解读
一、研究背景与科学问题
甘蔗是全球重要的糖料和经济作物,害虫造成的内部组织损伤严重威胁其产量和原料品质。在有害生物综合治理(IPM)框架中,经济危害水平(EIL)是指导防治决策的核心参数,而EIL的计算依赖于损伤(injury,害虫活动对植物生理的直接效应)与损害(damage,由损伤导致的产量或品质可测量降低)之间的定量关系。然而,许多作物系统中的损伤评估往往被简化,常基于害虫或可见病斑的有无来判断,忽视了损伤强度、深度和空间分布等关键维度,尤其是对于攻击植物内部组织的钻蛀性害虫而言,这种简化严重制约了对害虫为害与植株响应关系的深入理解。
在甘蔗栽培中,甘蔗螟虫(Diatraea saccharalis)和甘蔗象鼻虫(Sphenophorus levis)是两类重要的钻蛀性害虫。已有研究报道,S. levis侵害的分蘖比例每增加1%,产量约降低1%;D. saccharalis造成的蛀节率每增加1%,产量降低0.7%至2.9%。尽管这些害虫具有显著的经济重要性,但对其损伤的量化仍主要依赖人工和简化评估,难以全面反映内部病变的结构范围。因此,亟需一种客观、可重复、连续化的损伤量化方法,以建立精确的损伤—响应关系,支撑害虫影响评估和IPM决策。
二、研究内容与主要结论
本研究旨在通过整合人工测量与自动化图像分析,评估甘蔗害虫损伤与植株生物计量响应之间的关系。研究采用数字图像处理技术提取蔗茎形态计量特征,并应用基于深度学习的图像分割方法检测和量化D. saccharalis造成的内部病变。S. levis造成的损伤则根据其特有的发生模式在蔗茎基部和根茎区域进行评估。自动化测量与人工评估进行了交叉验证,并定量评估了损伤与植株生物计量性状之间的关联。
研究得出以下主要结论:第一,深度学习模型能够以与人工评估高度一致的方式检测和量化甘蔗茎秆内部损伤;第二,连续化的损伤严重度(而非损伤有无)与蔗茎生物计量性状的降低显著相关;第三,两种害虫因取食习性和损伤模式不同,其损伤与植株响应的关系存在差异;第四,因子分析证实损伤变量与植株形态计量变量分属两个独立的维度结构。
三、关键技术方法
本研究采用了以下几项核心技术方法:田间试验于2023/2024生长季在巴西圣保罗州两个商业甘蔗田开展,分别种植RB 005014和CTC 1007品种,共采集78丛、607根蔗茎样本。数字图像处理流程包括RGB至HSV色彩空间转换、高斯滤波与中值滤波平滑、Otsu自适应阈值分割及形态学运算,用于自动提取蔗茎截面的面积、长度和周长等形态计量参数。深度学习方法采用YOLOv11x-seg架构的卷积神经网络进行实例分割,基于COCO预训练权重进行迁移学习,训练100个周期,输入图像尺寸为420×420像素。统计分析方法包括基于相关矩阵的探索性因子分析(Varimax正交旋转)、以蔗丛为聚类单元的聚类稳健回归模型,以及多种替代模型规格的稳健性检验。
四、研究结果
4.1 基线植株特征与自动化测量性能
两个甘蔗品种表现出不同的生物计量特征,RB 005014每丛蔗茎数更多、丛重更大,而CTC 1007单茎更重但数量较少。深度学习模型在损伤检测中达到精确率0.81、召回率0.70、F1分数0.75和mAP50 0.67。在茎秆水平上,自动化检测与人工参考相比,精确率为0.74、召回率为0.88、F1分数为0.81、准确率为0.78。检测率随病变尺寸增大而提高:最小三分位数组中66.7%的茎秆被检出,中间三分位为97.2%,最大三分位为100%。损伤面积的手工测量与自动估计之间的决定系数为0.77,相关性分析显示无系统性偏差。茎秆体积估计与丛鲜重(r=0.90)、茎高总和(r=0.86)和节间数(r=0.82)高度相关。
4.2 损伤严重度与植株形态计量维度的关系
因子分析揭示了两个独立的变异维度,共同解释80%的总方差。因子1主要与损伤相关变量关联(载荷0.91–0.99),包括病变面积、长度和周长及其相对茎秆尺寸的比例;因子2主要与植株形态计量变量关联(载荷0.64–0.94),包括节间数、茎长、重量、体积和自动提取的茎秆尺寸。交叉载荷不超过0.19,支持损伤严重度与植株形态计量之间的清晰分离。
4.3 损伤严重度与植株生物计量性状的回归关系
D. saccharalis损伤长度比例每增加1个百分点,蔗茎鲜重降低0.85%(95% CI: 0.47–1.23%,p<0.001),茎长降低0.43%(95% CI: 0.13–0.73%,p=0.005),节间数减少0.53%(95% CI: 0.16–0.91%,p=0.006)。S. levis损伤的发生与蔗茎鲜重8.2%的降低相关(95% CI: 0.6–15.9%,p=0.035),但对茎长和节间数无显著影响。品种协变量和交互作用均不显著,表明关联在两个田间环境间具有一致性。替代模型规格验证了结果的稳健性。值得注意的是,当损伤以有无表示时未检测到显著关联,而以连续严重度表示时则均显著,表明植株响应与损伤严重度而非损伤发生本身相关。
五、讨论与结论
本研究将数字图像分析、深度学习病变检测和统计建模相结合,系统考察了甘蔗害虫损伤与植株发育之间的关系。自动化损伤面积测量与人工评估高度一致,连续化的损伤严重度而非简单的有无判断与蔗茎生物计量性状的降低显著相关。D. saccharalis损伤严重度每增加1个百分点与蔗茎鲜重0.85%的降低相关联,与既往报道的 infestation index 每增加1%约0.7%的产量损失相当,但本研究提供了茎秆内部损伤程度的更精细量化。S. levis损伤的发生与8.2%的茎重降低相关,反映了其集中于基部和根茎区域的损伤模式。两种害虫的差异凸显了害虫生物学和损伤模式在解释定量损伤指标时的重要性。
研究结论指出,该方法为内部茎秆损伤的定量评估提供了方法学框架,建立了连续化、可重复的参考标准,可支持害虫影响评估、损伤—响应关系的建立以及未来非破坏性监测工具的校准。该方法的直接应用场景为季末损伤评估,包括害虫影响和控制方案评价。建立可操作的经济阈值仍需进一步将损伤严重度与产量或品质损失相关联,并结合作物价值、防治成本和预期防治效果进行综合考量。