基于增强YOLOv8的苦瓜叶部病害与营养缺乏智能诊断系统AgriCure开发与应用

研究人员针对苦瓜叶部病害和营养缺乏传统检测方法效率低、依赖专家经验的问题，开发了基于分层数据增强的YOLOv8深度学习模型AgriCure。通过旋转、饱和度调节等增强技术将原始785张图像扩增至2430张，模型在测试集上实现mAP50达92.9%、F1分数91.66%，显著提升苦瓜叶部病症检测精度，为精准农业提供高效解决方案。

　　

苦瓜作为热带地区重要的药用蔬菜，其生长常受叶部病害和营养缺乏的双重威胁。传统诊断依赖农艺专家肉眼观察，效率低下且易误判。而现有AI研究多聚焦单一病症检测，难以应对田间复杂场景。更棘手的是，苦瓜叶部病症表现相似（如缺氮与缺钾均导致黄化），加上野外拍摄图像存在光照、角度等干扰因素，给自动化检测带来巨大挑战。

针对这一难题，国内研究人员开发了创新性的AgriCure系统。该研究通过分层数据增强策略，将原始785张苦瓜叶部图像扩增至2430张，涵盖健康叶片、霜霉病(DM)、叶斑病(LS)、叶蝉害(JAS)以及钾(K)、氮(N)、镁(Mg)等5类营养缺乏症状。采用YOLOv8n模型结合旋转(±10°)、饱和度(±10%)和亮度(±10%)调节等增强技术，在保持叶片特征前提下提升模型鲁棒性。测试结果显示，系统mAP₅₀达92.9%，其中钾缺乏检测精度达100%，霜霉病召回率98%，显著优于传统方法。

关键技术包括：1)基于Roboflow平台的数据增强与标注；2)YOLOv8n模型架构优化；3)置信度阈值分析确定75%为最佳截断值；4)开发包含植物验证层的Web应用程序。实验采用NVIDIA GeForce RTX 3050 Ti GPU，设置学习率0.01、批量大小16，训练100个epoch。

【数据集构建】从OLID数据集筛选785张苦瓜叶部图像，通过水平翻转平衡类别后增至1025张，再经增强技术最终构建2430张图像的数据集，按87:8:5划分训练/验证/测试集。

【模型性能】在测试集上，系统整体精度89.6%，召回率86.6%。其中叶斑病(LS)和钾缺乏(K)检测精度达100%，叶蝉害(JAS)召回率100%。对比实验显示，增强后模型mAP₅₀较原始数据提升33.4%。

【应用开发】部署的AgriCure Web应用包含三重检测层：首层过滤非植物图像，中层验证叶片有效性（置信度>75%），最终层输出病症诊断及防治建议。

该研究创新性地将数据增强技术与YOLOv8结合，解决了苦瓜叶部多病症检测的难题。相比既往研究，其优势体现在三方面：一是首次实现病害与营养缺乏的联合诊断，二是通过分层增强策略克服了小样本限制，三是开发的Web应用具备田间实用价值。值得注意的是，模型对缺氮(N)和缺钾(K)的鉴别精度达83.3%，突破了相似症状的识别瓶颈。未来通过融合多光谱成像和土壤传感器数据，可进一步提升系统在复杂环境下的稳定性。这项发表于《Current Plant Biology》的成果，为作物健康智能监测提供了新范式，对推动精准农业发展具有重要意义。