基于单色成像的自适应叶片疾病检测系统(MLAN)在菠菜叶病识别中的应用研究

为解决菠菜叶部病害精准检测难题，研究人员基于DenseNet-121-DO模型开发了单色自适应叶片网络(MLAN)，通过深度学习实现Half-Spinach等四类叶片的病害分类，在Google-Colaboratory平台取得99.10%准确率和98.16% mAP的突破性成果，为农业减药增效提供智能解决方案。

　　国家经济发展与农业生产力紧密关联，其中菠菜等绿叶蔬菜富含铁、维生素等营养素，对维持人体组织、软骨和毛发健康至关重要。然而夏季极端高温和植物病害会导致菠菜产量骤减、营养流失。针对这一痛点，研究者创新性地采用单色成像技术(Monochromatic imaging)结合深度学习目标检测，以DenseNet-121-DO模型为基底构建了定制化单色自适应叶片网络(Monochromatic LeafAdaptNet, MLAN)。该系统在Google-Colaboratory平台上成功实现对半菠菜(Half-Spinach)、咖喱叶(Curry Leaves)、辣木叶(Drumstick Leaves)和生菜(Lettuce)的智能分类，最终斩获99.10%的分类准确率和98.16%的平均精度均值(mAP)。这项突破不仅显著提升农业产出效率，更通过精准病害识别有效降低农药使用成本，为可持续农业发展提供关键技术支撑。