超越分类：基于目标检测模型的番茄叶片病害高效识别方法在真实世界数据集上的性能评估

为解决番茄叶片病害传统检测方法效率低、准确率不足的问题，研究人员开展了基于目标检测模型(YOLO-v9)的病害识别研究。通过构建包含9种常见病害的区域性数据集，对比了分类与检测模型的性能，最终YOLO-v9以97.86 F1-score和79.44 mAP的优异表现超越传统方法，并开发出参数仅11.12M的轻量化模型YOLO-v8-CSwin，为农业边缘计算设备提供了实用解决方案。

　　

番茄作为全球最重要的经济作物之一，其栽培常受到晚疫病(Late Blight)、细菌性斑点病(Bacterial Spot)等叶部病害的威胁，导致严重减产。传统人工检测方法效率低下且易出错，而现有基于图像分类的AI模型难以捕捉病害的空间分布特征，尤其对症状相似的黄化曲叶病毒病(Yellow Leaf Curl)等识别准确率可低至0.52。这促使研究者思考：能否通过目标检测技术实现更精准的病害定位与识别？

为此，来自孟加拉国锡尔赫特农业大学的研究团队在《Smart Agricultural Technology》发表创新研究。他们历时三个月在锡尔赫特、库米拉等三个农业区采集了5,560张包含9种病害的番茄叶片图像，构建了首个区域性标注数据集TomDet。研究采用双盲标注验证（Fleiss's Kappa=0.801），通过对比VGG、ConvNeXt等分类模型与YOLO系列检测模型的性能，创新性地引入CSwin Transformer backbone优化轻量化部署方案。

关键技术包括：1）多区域数据采集与标准化处理；2）基于labelImg工具的边界框标注；3）ConvNeXt与ViT-Large等分类模型对比；4）YOLO-v3至v9全系列检测模型评估；5）Grad-CAM可视化分析；6）边缘设备优化策略。

6.1 分类结果

ConvNeXt以76%平均F1-score成为最佳分类器，但对黄化曲叶病毒等复杂病症识别率不足，Grad-CAM显示其注意力常分散到无关背景区域。

6.4 目标检测结果

YOLO-v9以97.86 F1-score和79.44 mAP全面领先，较第二名的YOLO-v8提升9% mAP。统计检验证实其优势显著（p<1.36×10^-7）。

6.6 Grad-CAM分析

检测模型能精准聚焦病斑区域，而分类模型的激活图呈现"散焦"现象，印证了目标检测在空间定位上的优势。

6.8 边缘设备优化

创新的YOLO-v8-CSwin仅11.12M参数即实现93.20 F1-score，在保持精度的同时参数减少56%，特别适合手机等移动终端部署。

7. 结论与展望

该研究证实目标检测模型能突破传统分类方法的局限性，通过病斑定位显著提升识别准确率。区域适应性测试显示模型在孟加拉国三大农业区的F1-score均超过94%，且具有显著的季节性稳定性。轻量化方案为资源受限地区提供了可行部署路径，未来可通过纳入健康叶片样本和多模态数据进一步提升实用性。

这项工作的核心价值在于：首次系统论证了目标检测技术在农业病害诊断中的优越性，提出的"分类-检测"协同框架为智慧农业提供了新范式。数据集的地理多样性和轻量化创新尤其契合发展中国家需求，对实现联合国可持续发展目标中的"零饥饿"具有实践意义。