基于YOLOv4算法的葡萄霜霉病冠层症状智能检测技术研究

针对葡萄霜霉病传统检测方法效率低、主观性强的问题，西班牙研究团队利用YOLOv4深度学习算法，通过多品种、多光照条件下的冠层RGB图像训练模型，实现症状自动检测（mAP 67%，F1-score 0.69），为田间实时监测提供高效解决方案。

　　

葡萄霜霉病（Downy mildew）是葡萄种植业最具破坏性的病害之一，由卵菌纲病原体Plasmopara viticola引发，可导致果实品质下降和严重减产。传统依赖人工巡查的检测方法不仅耗时费力，且受主观判断影响大，尤其在复杂冠层环境下难以精准评估。随着机器学习技术的发展，基于计算机视觉的病害监测成为研究热点，但现有方法如 hyperspectral sensing（高光谱传感）或复杂图像处理流程存在设备成本高、适应性差等问题。

西班牙拉里奥哈大学等单位的研究团队在《European Journal of Agronomy》发表研究，提出采用YOLOv4（You Only Look Once version 4）目标检测算法，直接从葡萄冠层RGB图像中识别霜霉病症状。研究团队历时3年，在西班牙北部18个商业葡萄园采集多品种、不同感染强度的冠层图像，通过数据增强（data augmentation）和图像分块（subdivision）策略提升模型对小尺度症状的识别能力。

关键技术包括：1）构建含14个地块的多因素数据集；2）采用YOLOv4-tiny轻量化模型适配移动设备部署；3）通过交并比（IoU）、平均精度（mAP）等指标验证性能。结果显示，模型测试集mAP达67%，对病叶数量的预测与专家标注高度吻合（R²=0.93），且在多变光照和冠层密度下保持稳定。

Detecting leaves with downy mildew symptoms using YOLOv4
通过对比基线模型（mAP 47%），研究证实图像分块和增强策略显著提升小目标检测能力。模型能准确定位冠层中病叶位置，克服叶片重叠和角度变化干扰。

Conclusion
该研究首次实现全冠层尺度霜霉病症状的实时检测，为农业机器人等移动平台部署提供技术支撑。YOLOv4的轻量化特性（如YOLOv4-tiny）尤其适合田间复杂环境，其检测结果可直接用于抗病品种筛选和精准施药决策。

这项工作的创新性在于：1）突破单叶片检测局限，直接处理冠层级复杂场景；2）验证RGB相机在多变环境下的实用性，降低技术推广成本；3）为病害自动化监测系统开发奠定基础。未来研究可结合多光谱数据进一步提升早期无症状感染阶段的识别率。