据美国物理学家组织网站和EurekAlert网站2023年5月12日报道，中国南京农业大学大数据智能计算研究团队开发了一种用于特征选择的群体智能算法（salp swarm algorithm
for feature selection,SSAFS），可基于图像有效地对植物病害进行检测，相关研究结果已经在《Plant Phenomics》期刊上发表。
每年由细菌、病毒和真菌引起的植物疾病都会造成重大的经济损失。尽早发现植物疾病是遏制其传播和减轻农业损失的有效途径。智能农业系统通常采用摄像头和AI模型来监控和分析植物病害。然而，如何有效地解析植物病害特征，实现高精度、高效率的病害检测，仍然充满挑战。SSAFS不仅减少了植物病害特征的数量，而且显著提高了分类精度。研究人员首先从PlantVillage数据库中获取苹果、玉米、葡萄和咖啡的患病叶片图像，通过高通量表型技术大规模分析植物疾病症状；再利用计算机视觉技术提取特定的图像特征，确定了植物病害的“最佳特征子集”；基于该子集评判苹果（黑星病、黑腐病、桧胶锈病）、玉米（灰斑病、锈病、北方玉米枯叶病）、葡萄（黑腐病、黑麻疹、叶枯病）和咖啡（潜叶虫、黄斑病、锈病）的健康状态及患病种类；并针对潜叶虫和锈病的患病作物评估疾病的严重程度。在4个UCI数据集（Heart, Urban Land
Cover, Arrhythmia, and CNAE-9）和6个植物表型（4种作物和2种疾病）数据集中对SSAFS的有效性进行测试，并与其他5种类似智能算法（PSO、ABC、IBGWO、Squirrel、SSA）的性能进行了比较。研究结果表明，SSAFS在植物病害检测和严重程度估计方面都表现良好，可以显著提高植物病害识别的准确性，并缩短所需的处理时间。研究成果有助于提高植物表型的检测效率，实现植物病害的智能化管理。
