基于边缘计算设备CTB-YOLO模型的芫荽叶尖枯病和白粉病早期检测方法研究

本研究针对室内种植芫荽(Coriandrum sativum)叶尖枯病(tip-burn)和白粉病(powdery mildew)早期检测难题，开发了改进型CTB-YOLO深度学习模型。通过构建包含6580张标注图像的数据集，创新性引入多尺度特征融合(MSFF)和通道注意力机制(CA)，使模型在边缘设备部署时达到76.1%和69.3%的mAP50精度，显著降低误报率(FPs)。研究实现了与LINE应用集成的实时预警系统，为精准农业提供自动化监测方案。

　　

在室内农业快速发展的背景下，芫荽(Coriandrum sativum)作为富含抗氧化剂和精油的健康食材需求激增。然而封闭环境导致的叶尖枯病(tip-burn)和白粉病(powdery mildew)严重威胁产量，其中叶尖枯病由营养失衡和温湿度波动引发，表现为叶片褐变坏死；白粉病则由Erysiphe polygoni DC.真菌引起，形成白色菌落。传统人工检测存在主观性强、效率低下等问题，现有YOLO模型对细小症状(平均仅占图像0.3%-1.2%)检测精度不足，误报率高达23%。

日本筑波大学生物生产与机械实验室的研究团队开发了CTB-YOLO模型，通过改进YOLOv8架构，在Smart Agricultural Technology发表研究成果。研究采用深度水培(DWC)系统培育芫荽，控制光照强度9755 lux、PPFD 365.6 μmol/m²/s，采集3240张叶尖枯病和3340张白粉病图像。关键技术包括：(1)图像分块增强策略，将3280×2464像素原图分割为4个1640×1232像素子图；(2)创新CA-MSFF模块，通过3D卷积和Conv1D交叉通道交互(k=log₂(C)+1/γ)强化特征提取；(3)BF-MSFF模块实现P2-P5层特征回流；(4)新增160×160检测头提升小目标召回率；(5)Raspberry Pi边缘部署集成LINE API实时预警。

【材料与方法】
在16小时光照/8小时黑暗循环中，研究人员构建六组DWC水培系统，监控EC值1.2-2.0 mS/cm。使用OnePlus Nord手机和树莓派相机双模采集，通过LabelImg标注"burning"(早期黄化)、"burned"(晚期坏死)和"fungus"(菌落)三类标签，Cohen's Kappa系数达0.874验证标注一致性。

【CTB-YOLO结构】
相比基线YOLOv8，改进模型在CIoU损失函数(含中心距惩罚项ρ²(b,b^gt)/c²)优化下，测试集表现：叶尖枯病检测mAP50达76.1%，其中"burning"类召回率提升11.8%；白粉病检测mAP50提高5.3%。消融实验显示，CA模块使精度提升2.7%，而BF模块将推理速度维持在1.52 FPS。

【部署性能】
在Raspberry Pi 4B上，FP32模型占用266.96MB内存，温度峰值41.3°C。量化实验表明，8-bit模型因卷积主导结构未能提升速度，凸显架构优化的必要性。

该研究首创针对芫荽病害的小目标检测方案，通过GD(聚集-分发)机制减少35%跨层信息损失。讨论指出，当前数据局限在固定光谱(8320.6 μW/cm³ PAR)下采集，未来将扩展红光/远红光照明场景。成果为室内农业自动化监测提供新范式，其MSFF融合策略可推广至其他作物微小病理特征识别领域。