锈病大概是植物病害里最显眼的一种:橙色、粉末状的斑点,肉眼几乎不会看错。作者从iNaturalist收集了24张锈病照片,全部跑进自己的识别流程。
![]()
结果,一张都没认对。系统把锈病排在第一位的次数是0。
这套流程的做法是:图像编码器先把每张照片转成512个数字,再压缩成34个描述性评分——斑点、粉末、蛛网、黄化,最后由规则根据这些线索给出病害名称。作者喜欢这个设计,因为每个答案都带着理由,人能读懂。但盯着0/24这个结果,他开始怀疑规则这条路走不通。
在彻底转向大模型之前,他先问了一个更小的问题:把512个数字压成34个描述,是不是恰好丢掉了规则最需要的东西?
他保留同一个图像编码器,改用全部512个数字训练一个小分类器。在公开的作物病害数据集PlantDoc上,六分类测试的准确率从68.6%升到80.1%,测试集为236张照片。作者自己说明这是一次粗略对比,方法细节和局限写在原帖的方法部分,但足以让他继续往下走。
真正的测试得模拟花园里举着手机的场景,而不是数据集。他手工筛了445张iNaturalist照片,留下286张接近种植者实际所见的内容:受损叶片、植株上的害虫,以及25株看起来健康的植物。
锈病识别从0/24变成了7/24。
分数变好,问题变糟
接着他检查了健康植物。此前系统在25株健康植物中对2株误报,现在对6株误报。
如果把这套系统对准一株健康植物,大约每四次就有一次会告诉用户"出问题了"。分数在涨,应用却变得更爱报警。认出锈病重要,知道什么时候不该打扰一株植物同样重要。
解决办法是更好的训练材料。他用同一个图像编码器,在2970张iNaturalist照片加PlantDoc上重新训练分类器。
锈病识别升到15/24,健康植物的误报降到3/25——好于第一个分类器,但仍比纯规则方案多一次。
即便如此,仍有9张锈病照片没被匹配上。蚜虫则是0/19。有一张蚜虫照片被识别成蓟马,评分97.4%。作者特意说明,这个数字代表模型倾向的强度,不是它判断正确的概率——它错了。
他列了六张照片的实际输出:潜叶虫识别为潜叶虫(88.0%);锈病识别为锈病(99.9%);蚜虫识别为蓟马(97.4%,错误);炭疽病识别为锈病(83.4%,错误);健康植物识别为锈病(64.9%,误报);霜霉病没有给出答案,最高猜测是霜霉病(74.8%),阈值被关闭。
植物病理学家不这么看病
改变作者想法的是2002年的一堂课。加州大学伯克利分校的植物病理学家Bob Raabe给一批园艺大师学员讲如何诊断植物问题。他不看一片叶子就报出真菌名字,而是从浇水、土壤一路排查到细菌和真菌,逐个排除。就连叶尖发褐都可能有多种原因。
作者由此意识到,自己一直想在一张照片里一次命中问题名称,而专家根本不这么干。SASYA已经内置了类似的提问步骤:拍完照后,逐步询问"这株植物最近一次浇水是什么时候""最近几周换过盆吗""再看一片叶子,那里也有吗"。提问有帮助,但目前的问法不够直观,可能把判断引向错误的病害,或者一个笼统的结论。
他现在的方向是让手机自己多"看"一些,而不是依赖问卷。
测试集本身也需要修。有些拍摄者的照片同时出现在训练集和测试集里,霜霉病那一组还混入了错误的生物。在这些问题修好之前,他不会对外声称任何准确率数字。
作者最初的目标是赢过妻子和ChatGPT,目前还没做到。他手上的是一个锈病识别明显变好、对健康植物少些误报、也更清楚自己看不见什么的植物医生。以及一个更好的问题:这项改动,是否真的帮到了那个正看着植物的人。
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.