编辑推荐：
番茄早疫病（由 Alternaria alternata 引起）严重影响番茄产量。研究人员利用迁移学习优化 MobileNet 架构开展研究。结果显示 MobileNet V3 Large 分类准确率达 99.88% ，F1 分数 0.996，推理时间 67 毫秒。该研究为精准农业提供实时解决方案。
在农业领域，番茄（Solanum lycopersicum L.）作为全球广泛种植的高价值作物，为粮食安全和农业经济立下了汗马功劳。然而，番茄的生长之路却充满坎坷，各种病虫害常常对其产量和品质发起 “攻击”。其中，由链格孢菌（Alternaria alternata）引发的早疫病堪称番茄的 “头号大敌”。这种病害来势汹汹，在严重情况下，能让番茄产量锐减 100%，给农户带来巨大的经济损失。而且它在番茄的各个生长阶段都可能 “趁虚而入”，尤其是在收获期，更是会大肆破坏，在叶片上留下黑色或棕色的病变痕迹，严重时导致叶片脱落、果实受损。
面对早疫病的威胁，传统的诊断方法却显得力不从心。像人工肉眼检查，不仅耗费大量人力，还很难做到及时、准确地判断。实验室分析虽然能更精准地识别病原体，比如通过显微镜观察、病原体培养、生化检测等手段，甚至利用科赫法则（Koch's postulates）来确认致病性，分子技术如聚合酶链式反应（PCR）及其变体定量 PCR（qPCR）、逆转录 PCR（RT-PCR）和内部转录间隔区（ITS）序列分析等也能高灵敏度、高特异性地检测病原体，但这些方法要么耗时久，要么成本高，对于大规模的农田作业来说，并不实用。
随着科技的发展，深度学习中的卷积神经网络（CNNs）在植物疾病检测领域崭露头角，一些预训练的 CNNs 模型，如 AlexNet、VGGNet、ResNet50 等，在植物疾病分类上取得了不错的成绩，准确率超过 97%。可问题来了，针对田间获取的番茄图像进行疾病严重程度分级的研究却少之又少。而且，现有的研究大多使用公开数据集，这些数据并不能真实反映田间的复杂情况。此外，传统深度学习模型虽然强大，但计算量太大，对内存和处理器要求高，很难应用到资源有限的移动设备或边缘设备上，无法满足实时检测的需求。
为了解决这些难题，来自 ICAR - 印度农业研究所（位于新德里）的研究人员展开了深入研究。他们希望借助迁移学习（transfer learning）和优化的 MobileNet 架构，开发出一个高效且通用的番茄早疫病检测系统，用于精准评估病害严重程度，为农户提供及时、有效的应对策略。研究成果发表在《Fungal Genetics and Biology》上。
在研究过程中，研究人员主要运用了以下关键技术方法：首先，构建了一个庞大且多样化的图像数据集，这个数据集包含 6451 张番茄叶片图像，涵盖了健康、低、中、高不同病害严重程度的叶片，并且这些图像是在多种光照条件下采集的，以模拟真实的田间环境；其次，对四种 MobileNet 变体（MobileNet、MobileNet V2、MobileNet V3 Small 和 MobileNet V3 Large）进行微调（fine - tuned），通过对比评估它们在疾病严重程度分类上的性能，筛选出最优模型 。
下面来看看具体的研究结果：
- 训练和验证性能：研究人员将所有 MobileNet 模型的输入图像标准化为 224×224 像素，设置批量大小为 32，训练 50 个周期，并采用早停法（Early stopping）来提高学习效率。结果显示，MobileNet V3 Large 表现最为出色，其训练准确率达到 99.91%，验证准确率为 99.51%，训练损失和验证损失值最低，分别为 0.0041 和 0.0196。
- 分类性能评估：经过进一步测试，MobileNet V3 Large 在分类任务中脱颖而出，其分类准确率高达 99.88%，F1 分数达到 0.996，而且推理时间仅需 67 毫秒。这一卓越的性能使得它非常适合用于实时物联网（IoT）应用，比如基于智能手机的病害监测、自动化精准喷药以及智能农业系统等。
- 病原体确认：为了进一步验证患病样本，研究人员采用 ITS 序列分析，结果发现与 NCBI 数据库中已知菌株的相似度超过 98%，从而确认了病原体为 Alternaria alternata。
综合研究结论和讨论部分，该研究意义重大。它成功填补了精准农业领域的关键空白，提供了一种轻量、高效且非破坏性的实时病害严重程度评估方法。MobileNet V3 Large 凭借其出色的性能，能够帮助农户快速、准确地判断番茄早疫病的严重程度，进而及时采取针对性措施，减少农药的浪费，降低农作物损失。这一研究成果不仅可以应用于智能手机、精准喷药系统和物联网智能设备，助力精准农业发展，还为其他农作物病害检测提供了新思路和方法，推动了人工智能和边缘计算在现代农业中的应用，为农业的智能化转型奠定了坚实基础。
