在生成对抗网络中使用新型双元元启发式损失函数并保持恒等块以增强热成像稻叶病害检测

为什么稻叶与热成像相机很重要

稻米养活了超过一半的人口，因此即便是对作物保护的小幅改进，也能对粮食安全产生巨大影响。许多稻病在叶片出现褐斑或黄条之前，会在植株内部悄然发展。本研究展示了将能捕捉微小温度变化的热成像相机与一种先进人工智能方法相结合，如何更早、更可靠地检测稻叶病害，从而帮助农民在减少化学药剂使用的同时挽回产量。

用热量看见看不见的病害

当稻株生病时，其温度模式会以细微方式发生变化。由于感染或虫害干扰水分流动和代谢，叶片的某些区域可能仅升高一到二度。研究者基于这一思路，使用手持热像仪在印度采集了636片稻叶的照片，涵盖五种主要病害及健康植株。每张图像记录了叶面上的温度分布，将不可见的热差转为彩色地图，从而在肉眼尚未察觉之前揭示问题。

为什么需要更多且更好的数据

现代病害检测依赖深度学习——这些模型从数千个样本中学习模式。但在真实农田中，为每种病害、每个阶段、每种天气条件收集大规模、多样化的热成像数据既困难又昂贵。诸如翻转或旋转之类的简单数据增强只能在一定程度上扩展数据，且常常模糊或扭曲那些最重要的温度模式。作者旨在生成既充足又可靠的合成热图像，使基于这些图像训练的分类模型在真实田间而非仅在实验室中也能表现更好。

尊重信号的自然启发型人工智能

此项工作的核心是生成对抗网络（GAN），这是一类学习生成逼真新图像的人工智能。研究团队并未采用常规的训练损失函数，而是用两种生物启发的优化机制替代。一种以幻蛉幼虫（Chaoborus）的狩猎行为为模型，侧重于“填补”丢失或噪声像素并保持叶面上平滑而真实的温度梯度；另一种受澳大利亚小龙虾在其领地中防御与觅食行为的启发，强调相邻像素之间的关系，使冷热区域在物理上更为一致。网络中穿插恒等“捷径”块，以便在图像增强的同时，将关键的病害特征不变地传递下去。

更锐利的合成图像，更强的诊断能力

采用这一双重策略后，GAN生成的热叶图像比知名生成器（如StyleGAN2和BigGAN）的结果更接近真实相机数据。峰值信噪比（PSNR）和结构相似性（SSIM）等质量分数显著提高，专门的评价指标也确认关键温度梯度与病害模式得到更好保留。当这些合成图像被加入多个病害检测模型的训练集中时，准确率显著上升：一款领先的Vision Transformer模型在原始数据上的约83%提升至接近98%，ResNet、EfficientNet和DenseNet等架构亦获得类似的强劲提升。

从计算机平台走向稻田

作者不仅做了基准测试，还将系统应用于跨越印度四个邦、超过44,000张的田间图像。完整流程——热成像、基于双元元启发式GAN的增强与自动分类——在真实条件下实现了约95%的准确率，同时将误报与漏检控制在较低水平。该方法在不同温度、湿度、时间段、若干稻米品种及外部数据集上均表现稳健。简言之，研究表明经过精心设计的、受自然启发的人工智能能够生成既逼真又能在田间真正提升病害检测可靠性的“额外”热图像，为全球最重要作物之一的威胁提供更早、更准确的预警。

引用: Khalil, H.M., Elrefaiy, A., Elbaz, M. et al. Enhanced paddy leaf disease detection using novel dual metaheuristic loss functions in generative adversarial networks with identity block preservation for thermal image augmentation. Sci Rep 16, 6544 (2026). https://doi.org/10.1038/s41598-026-36477-3

关键词: 稻瘟病检测, 热成像, 生成对抗网络, 农业人工智能, 数据扩增