印度研究人员报告了一种新的人工智能系统，旨在通过图像识别葡萄叶病害；他们表示，这一工具有助于种植者更早发现问题，并在损害蔓延至葡萄园之前作出应对。
这项研究于周一发表在《Scientific Reports》上。论文介绍了一种名为 HASFT-Net 的模型，全称为 Deep High Attention Stage-by-Stage Forward Taylor Network，旨在利用图像分析和多层计算机视觉处理来对葡萄叶病害进行分类。
论文称，葡萄叶病害可由不同病原体引起，导致叶片变色或畸形。作者表示，许多现有方法只有在可见症状出现后才检测病害，这会延误治疗并降低产量。他们的目标是通过在最终病害预测步骤之前结合图像去噪、受影响区域分割和特征提取，提升分类性能。
研究团队包括来自金奈 Rajalakshmi Institute of Technology 的 Lalitha R、来自安得拉邦 GMR Institute of Technology 的 Sivasangari Ayyappan、来自金奈 Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology 的 Saranya K，以及来自安得拉邦 Aditya University 的 A. S. Malleswari。通讯作者为 Malleswari。论文称，作者声明不存在竞争性利益。
在研究人员描述的系统中，葡萄叶图像取自现有数据库，而非本研究中直接在葡萄园采集。图像首先经过去噪阶段，使用论文所称的 Attention-Guided Convolutional Neural Network，简称 ADNet。随后，受损区域通过 Spatial Pyramid-oriented Encoder-Decoder Cascade Convolutional Neural Network 进行分割，论文中将其标识为 SPEDCCNN，并采用 Tversky loss function。分割后的输出再通过一种名为 Siberian Tiger Optimization 的方法进行细化。
该模型还从叶片图像中提取了多种视觉特征，包括 Opponent Color Local Binary Pattern、Scale Invariant Feature Transform，以及矩形度、离心率和圆度等形状指标。随后，这些输入被用于 HASFT-Net 进行分类。作者表示，该架构融合了 NASNet、Taylor series 方法和 Deep High-order Attention Neural Network 的元素。
论文报告的结果显示，当使用90%的学习数据进行训练时，HASFT-Net 的准确率达到92.172%。研究还报告了92.883%的真正率、91.993%的真负率、90.887%的精确率以及91.874%的 F1 分数。
这些数据表明，该模型在测试条件下表现良好，不过论文并未证明其在商业应用中面对所有葡萄园环境、光照条件或葡萄品种时的表现。由于这项工作依赖图像数据库，在种植环境中进一步验证之前，种植者可能还无法将其作为常规管理工具加以依赖。
这对饮料行业很重要，因为葡萄是葡萄酒生产的原料，而病害压力会影响产量和果实质量。如果此类系统在实验室式测试之外被证明可靠，它们或可支持更精准的葡萄园管理，帮助种植者更早干预，并有可能减少作物损失。更早的检测还可能改善何时以及何处施用植物保护处理的决策，这一问题对葡萄种植中的成本和可持续性具有直接影响。
该论文于4月2日收到，7月6日接受，并于7月27日发表。它以开放获取形式发布，采用 Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International License。
这项研究加入了越来越多将机器学习应用于农业的工作，尤其是通过图像识别进行作物健康监测。在葡萄栽培中，这一趋势受到关注，因为病害暴发可能迅速扩散，而且在大面积葡萄园中进行目视检查劳动强度很大。一套能够从照片中标记可疑叶片的系统，未来或可与无人机、手机或固定摄像头配合使用，不过这些应用并未在本文中测试。
对于葡萄园经营者和葡萄酒生产商而言，实际问题不仅在于算法能否在研究环境中对病叶进行分类，还在于它能否足够早、足够稳定地改变田间决策。这项研究本身并未回答这一更广泛的运营问题，但它提供了又一个例子，说明人工智能工具正围绕葡萄栽培最持久的挑战之一展开构建：在病害削减收获量或葡萄质量之前将其识别出来。