马铃薯叶部病害检测技术的发展与相关数据集应用

一、引言

马铃薯作为全球重要的粮食作物，在全球粮食供应体系中占据着举足轻重的地位。然而，马铃薯叶部病害的频繁爆发，对其产量与质量造成了严重影响，给农业生产带来了巨大的经济损失。以埃塞俄比亚为例，该国马铃薯单位面积产量远低于其他国家，病害是导致这一现象的关键因素之一。其中，晚疫病等病害一旦肆虐，甚至可能造成近乎毁灭性的作物损失。因此，研发高效、准确的马铃薯叶部病害检测技术迫在眉睫。

二、马铃薯叶部病害早期检测的挑战

（一）影响因素复杂多样

马铃薯叶部病害的早期检测面临诸多难题，作物种类、病害症状以及环境因素的变化是主要制约因素。不同作物种类在外观特征上可能存在相似性，极易造成混淆。病害症状在早期往往表现极为细微，且因病害类型不同而有所差异。例如，早疫病和晚疫病在早期可能仅呈现一些难以察觉的斑点或颜色变化。此外，光照、温度、湿度等环境因素会改变叶片的外观，进一步增加了准确判断病害的难度。

（二）现有方法存在局限

过去开发的各类机器学习技术在马铃薯叶部病害检测方面虽取得了一定进展，但仍存在明显不足。许多现有模型仅在特定地区的植物叶片图像上进行训练和测试，导致其通用性较差，难以准确检测不同地区或不同环境下的作物种类和病害情况。而且，传统机器学习算法依赖手工提取特征，这一过程不仅耗时费力，而且在面对复杂的实际种植环境图像时，其准确性和可靠性大幅降低。尤其是基于实验室环境收集数据训练的模型，在实际田间图像检测中表现出明显的不适应性，因为实际农场图像背景更为复杂，噪声干扰更多。

三、多级深度学习模型的开发

（一）图像分割技术助力叶片提取

为克服上述挑战，研究人员开发了一种多级深度学习模型用于马铃薯叶部病害识别。在模型的第一级，采用了 YOLOv5 图像分割技术。该技术能够从复杂的马铃薯植株图像中精准提取马铃薯叶片，有效减少背景信息对病害检测的干扰，将检测重点聚焦于叶片本身，为后续病害检测提供更清晰、准确的图像数据。YOLOv5 图像分割技术具备高效性和准确性优势，即便在图像存在部分遮挡或复杂背景的情况下，也能较好地完成叶片定位和分割任务。

（二）卷积神经网络实现病害精准检测

在模型的第二级，利用卷积神经网络开发了一种新颖的深度学习技术，专门用于从提取的马铃薯叶片图像中检测早疫病和晚疫病等常见病害。卷积神经网络具有自动提取图像特征的能力，通过多层的卷积和池化操作，能够学习到叶片图像中与病害相关的细微特征，如斑点的形状、大小、颜色分布以及纹理等，从而准确判断叶片是否患病及患病类型。这种基于卷积神经网络的技术避免了传统机器学习算法中手工提取特征的繁琐过程，显著提高了检测效率和准确性。

四、模型的训练与评估

（一）数据集构建与来源

所提出的马铃薯叶部病害检测模型在一个精心构建的马铃薯叶部病害数据集上进行训练和测试。该数据集包含 4062 张从巴基斯坦旁遮普中部地区收集的图像，涵盖了不同病情阶段的马铃薯叶片，为模型提供了丰富的学习样本。同时，为验证模型在不同数据集上的泛化能力，还在 PlantVillage 数据集上对其性能进行了评估。

（二）模型准确率与性能优势

经过训练和测试，所提出的深度学习技术在马铃薯叶部病害数据集上取得了高达 99.75% 的准确率。与现有最先进模型相比，在准确率和计算成本方面均表现出显著优势。这表明该多级深度学习模型在马铃薯叶部病害检测方面性能卓越，能够有效识别患病叶片，为农业生产中的病害预警和防治提供有力支持。