摘要：本研究评估了将机器视觉与深度学习（DL）相结合用于马铃薯生产系统实时识别早疫病的潜力。选择了四个田地来收集在可变光影效应下健康和患病的马铃薯植物的图像（n=5199）。使用DL构建了一个数据库，以识别整个生长季节不同阶段的疾病侵扰。使用PyTorch框架训练了三个卷积神经网络，即GoogleNet、VGGNet和EfficientNet。将疾病图像分为三类（2类、4类和6类），以准确识别不同生长阶段的疾病。用于疾病识别的2类细胞神经网络的结果显示，与GoogleNet相比，EfficientNet和VGGNet的性能显著更好（FScore范围：0.84–0.98）。4类细胞神经网的结果表明，与其他细胞神经网络相比，EffientNet的性能更好（FScore范围：0.79–0.94），EfficientNet表现最好。在使用图形处理单元（GPU）模式的Dell Latitude 5580上，GoogleNet、VGGNet和EfficientNet推断时间值分别为每秒6.8–8.3、2.1–2.5、5.95–6.53帧。总体而言，本研究中使用的细胞神经网络和DL框架准确地对不同阶段的早疫病进行了分类。通过准确识别受早疫病感染的植物，在特定地点施用杀菌剂，有很大的潜力减少农用化学品的使用，提高马铃薯种植者的盈利能力，并降低环境风险（杀菌剂向水体的径流）。

关键词：深度学习；疾病分类；PyTorch；高效网络；图像处理；机器视觉；智能喷雾器

1简介

通常，在一个生长季节均匀施用20种农用化学品，而不考虑马铃薯地内疾病侵扰的空间变异性。种植者增加马铃薯产量的愿望导致在过去20年中农用化学品的统一使用增加了150%，导致生产成本增加和环境退化[1]。通过精确准确地施用农用化学品进行有效的作物管理，可以提高马铃薯质量和块茎产量，同时带来经济和环境效益。智能喷雾器的开发能够识别马铃薯地内空间变化的杂草和疾病分布，有助于仅在受感染的地区施用农用化学品。这种精准农业技术在加拿大处于起步阶段，在全球范围内继续流行。

早期枯萎病是一种常见的马铃薯疾病，由番茄链格孢引起，在整个北美都有发现[2]。与其他植物叶片疾病一样，它通常首先针对产量较低和较老的叶片，然后在植物冠层中稳定向上移动，导致叶片衰老。这种疾病的可见症状包括1–2毫米的黑色或棕色小病变，在早期阶段，在有利的环境条件下，在疾病的成熟阶段转变为深色同心环。目前，早疫病的管理涉及杀菌剂的均匀施用，而忽略了其空间分布，这不仅增加了生产成本，而且对环境产生了不利影响。因此，建立一个智能分类系统，将患病植物与健康植物区分开来，并实现杀菌剂的靶向应用，可以提高经济和环境的可持续性。

植物病害的鉴定是一个长期研究的课题。准确和实时的疾病检测系统可能有助于制定缓解战略，以确保小规模的经济作物保护和大规模的粮食安全。此外，通过机器视觉和深度学习（DL）进行准确的疾病分类可以为实现农用化学品的特定地点应用提供基础。Abdullah等人提出了一种使用神经网络进行疾病检测的方法。他们的算法将主成分分析应用于一组低分辨率图像，然后将处理后的图像输入神经网络，用于植物病害检测。Sena等人提出了一种用于疾病检测的阈值和图像分割模型。他们将病叶的灰度图像划分为不同的块，并应用编程的阈值水平来检测每个图像块中的疾病。Camargo和Smith提出了一种用于疾病量化的替代图像分割方法。他们开发的算法将彩色图像转换为HSV（色调、饱和度、值），然后在I1I2I3颜色空间中转换。通过这种方法，他们能够量化各种植物物种的疾病。Boese等人使用了一种无监督的基于颜色的疾病量化技术，该技术将图像分为几个类别，然后通过概率监督学习技术对每个类别进行训练。根据Boese等人，与以前的方法相比，这种方法具有更高的准确性。尽管上述算法提供了疾病检测的基础，但这些方法中的大多数对于农用化学品的实时应用是不可行的，因为它们需要非常长的图像处理推理时间。

根据图形处理单元（GPU）嵌入式处理器的最新发展，人工智能的应用呈指数级增长，导致了被称为DL的新方法和模型的发展。基于GPU的并行计算支持了细胞神经网络在各种应用中的开发和使用。Krizhevsky等人使用各种细胞神经网络以高精度测试了多个图像类别的大型数据集。最近，细胞神经网络已经成为图像处理中最成功的DL技术之一。通常，CNN由几个层组成，如卷积层、池化层和全连接层。卷积层由几个数学运算组成，这些运算在CNN函数中发挥着关键作用，例如卷积——一种特殊的线性运算。卷积层承担了繁重的计算负载，是CNN的关键构建块。汇集层通常位于连续的卷积层之间。池化层执行的主要功能是减少空间计算参数负载。完全连接的层由激活函数组成，通过激活函数最终输出。

2材料和方法

使用数码相机，即佳能PowerShot SX540和罗技C270高清网络摄像头，拍摄健康和患病的马铃薯植物（Russet-Burbank品种）的图像。与当地植物病理学家讨论并鉴定了早期枯萎病的视觉症状。这些观察结果与Kemmit[3]在整个生长季节早期枯萎病阶段的鉴定一致。根据视觉症状拍摄图像，对马铃薯地疾病的初始、中期和晚期进行分类。文献表明，早疫病的视觉症状（苍白、黄色的叶子）在7月初开始出现，即种植后35天（DAP），这段时间用于观察疾病的初始阶段。该病的中期发生在65 DAP（马铃薯植株叶片上的棕色同心圆）。疾病的晚期在80 DAP时进化。由于没有治疗措施，使用机器视觉在早期准确识别疾病是减轻损害的关键。捕获帧中的数据点可以实时变化，因为它是疾病强度的函数。较强烈的疾病可能比较不强烈的疾病植物具有更多的疾病数据点。此外，由于疾病的传播，这种疾病以斑块的形式出现在马铃薯植株上。

在自然阳光下，在土壤表面上方140厘米处拍摄的。使用用Python编程语言编写的自定义开发程序调整收集的图像的大小（1280×720像素）。选择1280×720的像素分辨率来扩展该模型在实时应用中的应用。此外，选择所选分辨率是为了评估所开发的CNN模型与硬件集成的可行性，以使用网络摄像头的实时视频馈送开发智能可变速率喷雾器。

通过收集6月至10月整个马铃薯生长季节的图像，确定了疾病的阶段。用不同的细胞神经网络训练每个疾病阶段及其症状的图像。保留了532张图像的数据集，用于训练细胞神经网络后的统计测量的测试和评估。剩余的图像用于所开发的细胞神经网络的训练（70%）和验证（30%）。使用包括精确度、召回率和FScore在内的统计指标来评估细胞神经网络在识别早期枯萎病阶段方面的准确性。

3结果

在初始早期枯萎病检测的训练中，所有细胞神经网络的验证准确度值记录在0.95至0.97的范围内。与VGGNet和EfficientNet相比，GoogleNet的验证精度略低。结果表明，所有细胞神经网络在中期早期枯萎病检测中的验证准确度在0.99至1.00之间。同样，最后阶段早疫病的验证准确度在0.99和1.00之间。细胞神经网络的性能准确性对于检测早疫病的中后期并不显著。4类细胞神经网络的结果显示验证准确度为0.92。与单独阶段（即初始阶段、中期阶段和后期阶段）相比，联合阶段（初始阶段+中期阶段）的验证准确性较低。对于中后期早疫病阶段，验证准确度在0.84至0.86之间。狭窄的准确度范围表明，所有细胞神经网络的表现相似。早疫病初末期的分类准确度在0.92~0.94之间。结果显示，与4类细胞神经网络的初始+中期和中期+末期相比，疾病的初始+末期的验证准确性略高。6类CNN在疾病初期+中期+末期的验证准确度在0.81至0.85之间。由于类似类别的数量较多，6类CNN的验证准确度值较低，训练和验证损失相对较高。

4类细胞神经网络的结果显示，FScore在0.875至0.910之间；0.790至0.865；早疫病的初始+中期、中期+末期和初始+末期分别为0.920至0.940。6类细胞神经网络的初、中期和晚期早期枯萎病检测记录的FScores范围在0.720和0.760之间。在疾病进展的个体和组合阶段，与GoogleNet和VGGNet相比，EfficientNet被发现是表现最好的CNN。然而，与EfficientNet相比，VGGNet的结果没有显著差异。FScore的结果支持其他统计指标的趋势，包括混淆矩阵、精度和召回率。

推理时间是诱导所开发的细胞神经网络实现实时应用的关键因素之一（例如，开发智能喷雾器以实现杀菌剂的目标应用）。EfficientNet、GoogleNet和VGGNet的计算推理时间分别为155–168、121–145和398–458毫秒。与其他细胞神经网络相比，GoogleNet的推理时间最低。在计算不同疾病阶段的推断时间时，无论是单独还是组合，都没有显著差异。与其他细胞神经网络相比，VGGNet的推断时间最高。EfficientNet最高的疾病检测精度（如精度、召回率和FScore所述），加上较低的推理时间，使其成为进一步处理和实时应用的绝佳候选者。

4结论

测试了具有不同细胞神经网络的数据集的几种组合，用于马铃薯生产系统中早疫病的鉴定和分类。所有细胞神经网络都能够准确识别患病和健康的植物，以获得不同准确性、精密度、召回率和FScore的收集数据。结果表明，与GoogleNet相比，EfficientNet和VGGNet在不同阶段的疾病检测方面的性能准确性更高。与EfficientNet和VGGNet相比，GoogleNet具有最低的推理时间。考虑到EfficientNet在疾病进化的不同阶段的疾病检测准确性，如统计测量（召回率、精确度和FScore）所示，再加上合理较低的推理时间，支持使用EfficientNet进一步处理集成到变速率智能喷雾器中，以在马铃薯地内有针对性地应用杀菌剂。使用机器视觉和基于DL的喷雾器在特定地点应用杀菌剂，仅在马铃薯田的病害区域，具有降低农田中农用化学品的显著潜力。有针对性地施用杀菌剂可以直接转化为农场的盈利能力，并减少对环境的意外风险，如杀菌剂流入水体和对水生栖息地的负面影响。在不止一种疾病、马铃薯植物种类和地表覆盖物的情况下，喷雾器喷嘴可能会得到（其他杂草和/或患病植物的）混合检测信号。然而，在北美的马铃薯领域，早疫病是最常见的马铃薯疾病，本研究对此进行了研究。未来的研究将涵盖更多的马铃薯和其他种植系统的疾病和品种。