《Food Science & Nutrition》：Web-Based Sustainable Detection and Treatment Recommendation System for Wheat Plant Diseases Using Convolutional Neural Networks
编辑推荐：
本研究开发了一种基于卷积神经网络（CNN）的网络化系统，用于快速识别和分类小麦植物病害（黄锈病YR和褐锈病BR），模型分类准确率达96%。该系统整合了病害诊断与治疗推荐模块，为农民提供了及时病害识别与管理的实用工具，有助于保护小麦作物、保障粮食安全。
引言
农业在巴基斯坦等发展中国家的经济中占据重要地位，贡献了该国GDP的21%，并每年增长2.7%。小麦作为主要粮食作物，其生长状况对人民健康和国家经济具有重要影响，对GDP的贡献达3.1%。然而，小麦病害如锈病（黄锈病YR和褐锈病BR）严重威胁小麦生产，YR由条形柄锈菌（Puccinia striiformis f. sp. tritici, Pst）引起，可导致减产超过40%；BR由叶锈菌（Puccinia triticina）引起，主要影响叶片。传统病害识别依赖专家评估，耗时耗力且覆盖范围有限。计算机视觉和深度学习技术，特别是卷积神经网络（CNN），为自动化病害检测提供了高效解决方案，能够自动学习图像特征，克服传统机器学习中手动特征提取的局限性。
相关工作
小麦病害分类研究主要包括基于机器学习的手动特征提取方法和基于深度学习模型（DLM）的自动分类方法。早期研究采用灰度共生矩阵（GLCM）、主成分分析（PCA）等特征提取技术，结合支持向量机（SVM）、人工神经网络（ANN）等分类器，但准确率有限（如SVM对YR和BR分类准确率约77.78%-93.05%）。深度学习方法如CNN、ResNet-50、VGG-16等实现了自动特征提取，准确率显著提升（如Sequential CNN达97.20%）。然而，现有研究多缺乏治疗推荐功能，且模型复杂度和计算成本较高。本研究采用自定义的6层CNN架构，兼顾准确性与计算效率，并集成网络化治疗推荐系统，扩展了应用范围。
提出的模型（PM）
本研究提出的模型包括病害检测和治疗推荐两大功能。病害检测基于CNN架构，输入图像尺寸为256×256像素，包含6个卷积层（使用3×3卷积核和ReLU激活函数）、6个最大池化层和1个全连接层，最终通过SoftMax分类器输出类别（YR、BR或健康植株）。模型使用Adam优化器，在包含3679张图像（YR 1156张、BR 1128张、健康植株1395张）的数据集上训练，按70:30比例划分训练集和验证集。治疗推荐模块基于规则系统，用户可通过疾病名称或症状查询治疗方案，覆盖黄锈病、褐锈病、白粉病（PM）、叶枯病（SLB）等多种小麦病害。模型集成于网络化应用程序，提供图像上传、疾病搜索、预防信息查看和植物学家咨询等功能。
结果与讨论
模型在测试集上达到96%的整体分类准确率。混淆矩阵显示，模型对YR、BR和健康植株的识别准确率较高，但YR与BR之间存在一定误判，可能与病害视觉特征相似有关。精确度（P）、召回率（R）和F1分数评估结果表明，模型在各类别上表现均衡（YR：P=0.965, R=0.948, F1=0.956；BR：P=0.961, R=0.961, F1=0.961；健康植株：P=0.96, R=0.974, F1=0.966）。与现有研究相比，本模型在保持较高准确性的同时，显著降低了计算复杂度，并增加了治疗推荐功能。然而，模型性能可能受数据集局限性（如缺乏地理多样性图像）和真实环境变量（如光照、图像质量）影响，需进一步实地验证。
结论与未来工作
本研究成功开发了一个基于CNN的网络化小麦病害检测与治疗推荐系统，能够高效识别黄锈病、褐锈病和健康植株，并提供治疗建议。未来工作将扩展病害识别范围（如小麦瘟病、斑枯病），引入交叉验证和更复杂的DLM（如ResNet、YOLO），并通过实地试验优化系统鲁棒性和实用性。
