高效深度学习模型实现番茄叶部病害精准检测，为智慧农业保驾护航

研究人员为解决番茄叶部病害检测难题，开展 E-TomatoDet 模型研究，显著提升检测性能，助力农业发展。

　　在智慧农业蓬勃发展的当下，番茄作为全球广泛种植的经济作物，因富含营养备受青睐。然而，种植过程中，番茄极易遭受各类病害侵袭，细菌、真菌引发的叶部病害严重影响产量，加之异常天气、水土质量恶化等因素，让番茄种植面临诸多挑战。传统依靠专家经验的病害评估方式，在温室种植规模扩大和种植区域多样化的趋势下，逐渐力不从心，难以精准检测早期和复杂病害。虽然机器学习技术在一定程度上提高了蔬菜病害检测准确性，但大多仅适用于简单背景下的单叶分类，无法确定病害位置。深度学习方法虽能精准识别目标类别和位置，但在全局特征捕捉方面存在短板。因此，如何精准检测番茄叶部病害，成为农业领域亟待解决的关键问题。

为攻克这一难题，山东设施园艺生物工程研究中心（潍坊科技学院）、四川工商学院等机构的研究人员展开了深入研究。他们提出了一种高效的番茄病害检测网络（E-TomatoDet），该研究成果发表于《BMC Plant Biology》。

研究人员在研究中主要运用了以下关键技术方法：首先，使用了两个数据集，即 COCO 数据集和专门的番茄叶部病害数据集（由 CCMT 提供的 4510 张样本图像），并利用 LabelImg 工具对番茄叶部病害数据集进行标注和预处理，将其划分为训练集、验证集和测试集。其次，以 PyTorch 为深度学习框架，借助 RTX 4090 GPU 加速训练过程，设置特定的训练参数，如输入图像分辨率、批量大小、迭代次数和学习率等。

在研究结果方面：

1. 模型架构设计：E-TomatoDet 模型基于 YOLOv8n 网络架构优化而来，由骨干网络（Backbone）、局部特征增强金字塔（LFEP）颈部网络和头部（Head）组成。骨干网络负责提取多尺度特征，LFEP 颈部网络用于融合和处理骨干网络提取的特征，减少信息损失，头部则输出目标检测分类和定位结果。
2. 骨干网络改进：在骨干网络阶段，引入 CSWinTransformer（CSWinT）模块。该模块利用 Transformer 的全局上下文建模能力和新颖的十字形窗口自注意力机制（CSWin-Attention），能够在有限计算成本下显著提升全局特征提取能力，通过将输入特征划分为多个条纹，在垂直和水平方向进行并行自注意力计算，实现更高效的特征捕捉12。
3. 多尺度特征提取：设计综合多内核模块（CMKM），通过不同大小的卷积核捕捉多尺度特征信息。该模块将输入特征分为三个分支，分别进行原始大小、正常大小和大尺寸的局部信息处理，最后融合三个分支的结果。为降低大尺寸卷积核带来的计算负担，将 CMKM 模块置于由 1×1 卷积构成的瓶颈结构中，形成 CSP - 综合多内核模块（CSP-CMKM）。研究发现，当 CMKM 模块（c）部分的卷积核大小为 35 时，模型性能最佳3410。
4. 模型性能评估：通过精度（Precision）、召回率（Recall）、平均精度均值（mAP50⁹⁰、mAP50）等指标评估模型性能。在多个数据集上的对比实验结果显示，E-TomatoDet 模型在 COCO 数据集上，相比基线模型 YOLOv8n，mAP50⁹⁵和 mAP50 分别提高了 27.2% 和 22.7%；在 PlantDoc 数据集上，相比 YOLOv8n，mAP50⁹⁵和 mAP50 分别提高了 24.2% 和 25.7%；在番茄叶部病害 CCMT 数据集上，相比高性能的 YOLOv10s，mAP50⁹⁵和 mAP50 分别提高了 3.9% 和 2.4%，mAP50 达到 97.2%，超越了先进的实时检测网络 YOLOv10s567。
5. 消融实验分析：对模型关键组件进行消融实验，结果表明引入 CSWinT 模块、LFEP 网络和 CSP-CMKM 模块均能提升模型性能，且同时引入这三个模块时，模型在各项指标上达到最优，证明了各模块结合对番茄病害检测能力的显著增强。对 CMKM 模块不同卷积核大小的消融实验确定了最佳卷积核大小为 358910。
6. 检测结果可视化：通过选择 E-TomatoDet、基线模型 YOLOv8n 和在番茄病害 CCMT 数据集上检测性能较差的 YOLOv6 模型进行可视化检测对比，结果直观显示 E-TomatoDet 在番茄病害检测方面具有更高的准确性11。

研究结论和讨论部分指出，E-TomatoDet 模型有效结合了全局和局部特征感受野的优势，在番茄叶部病害检测中表现卓越。该模型通过引入 CSWinT 增强全局特征提取能力，利用 LFEP 颈部网络强化局部特征处理能力，形成了全面的特征感知能力，提升了检测效率。尽管该模型在番茄病害检测中取得了优异成果，但与实际应用仍存在一定差距。后续研究将聚焦于探索轻量级网络架构，在保证检测性能的同时减少模型参数和推理时间，加速研究成果向精准蔬菜种植的转化。这项研究为蔬菜病虫害检测提供了新的有效解决方案，对推动智慧农业发展具有重要意义。