基于深度学习的玉米叶片病害亚田块级检测：ResNet50与CNN模型的比较研究

针对传统玉米病害视觉检测方法准确性不足的问题，研究人员采用ResNet50和CNN深度学习模型，利用RGB图像实现亚田块级玉米叶片病害分类。结果显示ResNet50模型以78.76%的准确率显著优于CNN（71.01%），为小农户提供可集成至移动端的智能病害检测工具，对保障粮食安全具有重要意义。

　　

玉米作为全球重要粮食作物，其产量常因病害侵袭遭受4-14%的损失。传统依赖农民经验的肉眼检测方法存在主观性强、早期症状辨识困难等问题，而现有遥感技术多聚焦大田尺度，难以满足小农户精准防控需求。这一背景下，南非自由州大学（University of Free State, UFS）地理系的研究团队创新性地将深度学习技术引入亚田块级病害检测领域。

研究团队在Limpopo省Mopani地区采集1500张玉米叶片RGB图像，涵盖健康叶片、玉米条纹病、南北叶枯病及氮磷钾缺乏症等7类样本。通过高斯滤波去噪、阈值分割背景等预处理后，采用数据增强技术将图像扩增至64000张/epoch。研究对比了四层CNN与50层ResNet50模型的性能，两者均采用256×256像素输入和Adam优化器，经100轮训练后评估发现：ResNet50凭借残差连接结构，测试集准确率达78.76%（95%CI ±0.03），较CNN提升7.75个百分点，尤其在健康叶片识别中用户准确率高达83.17%。而CNN模型对氮缺乏症的识别率最低（57.50%），凸显深层网络对细微特征的学习优势。

关键技术包括：1）基于智能手机的50MP图像采集系统；2）Clipping Magic工具实现叶片目标分割；3）64×64像素标准化处理；4）80:20数据集划分策略；5）混淆矩阵与F1-score（0.76±0.04）等多指标验证体系。

研究结果显示：

1. 模型训练：ResNet50训练耗时48小时（CNN为6小时），但验证曲线更稳定，表明其抗过拟合能力更强。

2. 病害分类：ResNet50对磷缺乏症的识别精准度达80.43%，而CNN对玉米条纹病的漏检率高达36%。

3. 性能对比：ResNet50在精确度（0.77±0.04）、召回率（0.76±0.04）等指标上全面领先，证实残差结构对复杂病征的解析能力。

讨论指出，该研究首次实现多病害亚田块级同步检测，其模型可部署至移动端指导精准施药。但智能手机成像差异可能影响田间应用效果，未来需通过亮度/旋转增强提升泛化能力。论文发表于《Smart Health》，为非洲小农户提供低成本的数字农业解决方案，推动联合国可持续发展目标（SDGs）中零饥饿目标的实现。研究团队强调，下一步将探索联邦学习技术，在保障数据隐私前提下扩大模型适用范围。