深度学习赋能木薯叶疾病检测：创新模型提升农业诊断效能

为解决木薯叶疾病检测难题，研究人员运用多种深度学习技术，发现混合模型（DenseNet169 + EfficientNetB0）表现优异，助力农业发展。

　　### 木薯叶疾病检测新突破：深度学习带来新曙光
在广袤的农业领域，木薯是一种极为重要的作物。它原产于南美洲，如今在热带和亚热带地区广泛种植，为全球超过 5 亿人提供了实惠的营养来源，是第三大碳水化合物来源，其绿色叶子在部分地区还能作为蛋白质、维生素 A 和维生素 B₁的来源。2021 年，全球木薯产量达 3.247 亿吨，2023 年全球木薯加工市场规模达 3.199 亿吨，预计到 2032 年将增长至 3.697 亿吨。

然而，木薯的种植面临着严峻的挑战，各种疾病的侵袭严重影响了木薯的产量。像木薯褐条病（Cassava Brown Streak Disease，CBSD）、木薯细菌性枯萎病（Cassava Bacterial Blight，CBB）、木薯花叶病（Cassava Mosaic Disease，CMD）和木薯绿斑驳病（Cassava Green Mottle，CGM）等疾病，在 2024 年已导致泰国和撒哈拉以南非洲等地区的木薯产量下降。

传统的木薯叶疾病检测方法依赖专家手动检查，不仅耗时耗力，容易出错，而且在发展中地区，由于缺乏专业人员和基础设施，这种方法效率极低，难以做到及时检测，给农民带来了巨大的经济损失。因此，寻找一种高效、准确的木薯叶疾病检测方法迫在眉睫。

来自厦门大学马来西亚分校（School of Computing and Data Science, XIAMEN UNIVERSITY MALAYSIA）等多个机构的研究人员，开展了一项旨在利用深度学习技术实现木薯叶疾病自动检测和分类的研究。该研究成果发表在《Scientific Reports》上，为木薯种植的疾病防控带来了新的希望。

研究方法：多技术融合助力疾病检测

研究人员为实现研究目标，采用了多种关键技术方法。首先，使用了包含约 3.6 万张木薯叶标记图像的数据集，这些图像涵盖了受不同疾病影响的木薯叶以及健康木薯叶。其次，对图像进行了一系列预处理操作，包括将 RGB 图像转换为灰度图像以降低复杂度和计算负荷，利用高斯滤波器去除噪声，采用 Otsu 阈值化、距离变换和分水岭分割等技术进行图像分割，提取感兴趣区域。最后，运用了多种深度转移学习技术，如 EfficientNet 模型、DenseNet169、Xception 等，对木薯叶疾病进行分类，并通过准确率、精确率、召回率、F₁分数等多种指标评估模型性能。

研究结果：不同模型性能各异，混合模型脱颖而出

1. 模型训练与验证性能：在训练阶段，MobileNet V2 表现出色，准确率高达 89.59%，损失仅为 0.16，展现出强大的学习能力；Xception 紧随其后，准确率为 89.52%，损失为 0.46 。EfficientNet B0、ResNet50 V2 和 ResNet152 V2 的准确率均为 89.49%，但损失值差异较大，其中 ResNet152 V2 的损失最高，为 0.76。DenseNet 169 表现相对较弱，准确率为 79.46%，损失为 0.49。在验证阶段，混合模型（DenseNet169 + EfficientNetB0）表现最佳，准确率达到 89.94%，损失低至 0.23。MobileNet V2 和 DenseNet 169 的验证准确率均为 89.46%，但 MobileNet V2 的损失略高于 DenseNet169。
2. 不同疾病分类性能：在对不同木薯叶疾病的分类中，各模型表现不同。对于木薯细菌性枯萎病，InceptionResNetV2 和 ResNet152V2 表现出较高的精确率、召回率和 F₁分数；对于木薯褐条病，InceptionV3 和 Xception 的 F₁分数高达 0.89，可靠性较高，但召回率中等；对于木薯绿斑驳病，InceptionResNetV2 和 ResNet152V2 的 F₁分数为 0.89，表现出色；对于木薯花叶病，EfficientNetB0 的精确率最高，为 0.91，F₁分数为 0.90，分类效果最佳；对于健康样本，Xception 的精确率为 0.86，召回率为 0.80，F₁分数为 0.83，表现良好。
3. 错误分布与模型分析：研究发现，木薯花叶病的误分类率最高，可能是由于其与其他疾病的视觉特征重叠或训练数据有限。木薯绿斑驳病和健康样本也存在一定数量的错误，可能与环境因素导致的叶片外观变化有关。而木薯褐条病和木薯细菌性枯萎病的错误较少，表明这两类疾病的特征较为明显，模型更容易识别。此外，研究还分析了部分模型表现不佳的原因，如 ResNet152V2 和 InceptionResNetV2 等深层网络容易过拟合，MobileNetV2 等轻量级架构难以捕捉疾病类别的细微差异。

研究结论与意义：开启农业疾病检测新篇章

综上所述，该研究成功运用深度学习技术对木薯叶疾病进行了检测和分类。在众多测试模型中，EfficientNetB3、Xception、InceptionV3 和 ResNet50V2 表现良好，但混合模型（DenseNet169 + EfficientNetB0）的准确率更胜一筹。这些模型通过多种评估指标，有效区分了健康和患病的木薯叶，为实时木薯疾病检测提供了强大的框架，对农业生产意义重大。

自动化的疾病检测过程能够帮助农民和农业专家高效监测作物健康状况，实现早期检测和及时干预，从而减少作物损失，保障粮食安全，促进木薯种植地区的经济增长。然而，研究也面临一些挑战，如数据集中部分疾病的代表性不足导致模型偏差，图像质量和环境条件影响模型的泛化能力，部分模型存在过拟合现象等。未来的研究可以通过增加数据集的多样性、采用技术减少过拟合等方式，进一步提高模型的性能。同时，该研究框架有望与移动应用、无人机或物联网设备集成，实现大规模农业生产的现场监测和诊断，为可持续农业管理提供有力支持。