基于集成深度学习的白霉病与核盘菌检测：一种面向精准农业的创新方法

本研究针对由土壤病原体核盘菌(Sclerotinia sclerotiorum)引起的白霉病早期检测难题，开发了高质量图像数据集SWM，并采用集成深度学习策略（如DETR、YOLO系列等模型），通过共识投票方案将F1分数提升至0.953。该研究为田间小目标检测和类不平衡问题提供了有效解决方案，对智慧农业和作物病害早期干预具有重要意义。

　　

在农业生产中，由土壤病原体核盘菌(Sclerotinia sclerotiorum)引起的白霉病（又称核盘菌茎腐病）是一种广泛传播的流行病，影响包括普通菜豆在内的400多种寄主植物。该病害的早期识别对于有效防治、减轻产量损失和确保作物可持续性至关重要。然而，传统管理策略如遗传抗性、轮作和 fungicide喷洒往往效果不佳，且在田间监测中，病原体的生存结构（成熟菌核sclerotia）和繁殖结构（子囊盘apothecia）以及症状阶段（白霉 visible mold）通常隐藏在作物下层冠层中，使得人工检测效率低下且具有挑战性。

为了解决这一问题，研究人员在巴西戈亚斯州的多个城市（如Vianópolis、Cristalina等）的商业农场中，采集了1,180张原始田间图像，构建了一个名为Sclerotinia and White Mold Dataset (SWM)的新型高质量图像数据集。该数据集由植物病理学家标注，专注于核盘菌的生存和繁殖结构以及病害症状阶段，共包含2,527张裁剪图像（尺寸300×300像素），分为成熟菌核、子囊盘和白霉三个类别，并在训练、验证和测试集中保持相对平衡的分布。

研究人员探索了多种传统和最先进的深度学习模型，包括SSD、Faster R-CNN、YOLO系列（YOLOv8s、YOLOv9c、YOLOv10x）、DETR（Detection Transformer）和TransUNet（适应于目标检测），这些模型在具有挑战性的田间条件下进行目标识别。这些评估的模型被用作集成策略的基线，基于affirmative、consensus和unanimous投票方案。在单个目标检测模型中，DETR实现了最高的F1分数（0.931），而共识投票策略进一步提高了性能，达到F1分数0.953。结果表明，集成方法有效解决了田间小目标检测和类不平衡带来的挑战，为针对核盘菌的精准农业和早期干预策略提供了一个有前景的工具。

为开展研究，研究人员采用了几个关键技术方法：图像采集使用智能手机（如Samsung和iPhone型号）在田间不同光照条件下进行；图像标注使用Supervisely平台，由专家完成；模型训练采用多种深度学习架构（如CNN和Transformer-based模型），使用COCO数据集预训练权重，并通过超参数优化（如学习率、批量大小等）进行微调；评估指标包括精度(precision)、召回(recall)、F1分数和mAP（mean average precision），并利用IoU（Intersection over Union）进行预测框匹配；集成方法采用投票策略（consensus、affirmative、unanimous）合并多个模型的预测结果，以提高检测准确性和鲁棒性。

研究结果

3.1. 目标检测模型结果

实验结果显示，基于Transformer的模型（DETR和TransUNet）在整体检测性能上 consistently优于CNN-based模型。DETR实现了最高的F1分数（0.931），而TransUNet也达到了0.925。SSD和YOLO系列模型的表现相近，但Faster R-CNN在具有挑战性的类别（如成熟菌核和白霉）上表现最差。详细指标显示，所有模型在子囊盘类别上都有较高的检测效果， due to其明确的视觉特征。

3.2. 模型集成结果

3.2.1. 定量结果 - 目标检测器和集成方法的比较

共识投票策略在测试数据集上实现了最高的F1分数（0.953），平衡了误检和漏检问题。affirmative投票策略 recall达到1.000但精度较低（0.657），而unanimous投票策略精度高（0.978）但召回低（0.548）。共识策略在各类别上均表现最佳，表明白霉病检测中 moderate投票规则的有效性。

3.2.2. 定量结果 - 数据增强技术的影响

使用数据增强技术（如翻转、缩放、旋转等）进一步提高了DETR模型的性能（F1分数从0.931升至0.938），并且共识集成策略的F1分数也从0.953提高到0.957，表明增强技术有助于提升模型鲁棒性。

3.2.3. 定量结果 - 与SOTA方法的比较

与最新非集成检测器（如YOLOv11x和YOLOv12x）的比较显示，这些SOTA模型在SWM数据集上并未 consistently outperform传统检测器（如DETR或SSD），且它们的集成结果（F1分数0.955）略低于最佳结果（0.957），表明模型多样性对集成效果的重要性。

3.2.4. 定量结果 - 消融研究

通过调整IoU和NMS阈值，发现对于大多数检测器，IoU阈值0.3和NMS阈值0.5能 yield the best F1-scores，这指导了模型优化和超参数选择。

3.2.5. 定性结果

共识投票策略的预测结果在多数图像中准确识别了目标对象，但在具有挑战性的场景（如过度光照、微小菌核或对象重叠）中仍存在一些误检和漏检，突出了数据集和模型 further improvements的必要性。

3.2.6. 效率分析

YOLOv8s是最轻量和最快的模型，而Faster R-CNN和TransUNet是计算最密集的。集成方法增加了推理时间，但提供了准确性提升，权衡了计算资源和性能需求。

研究结论与讨论

本研究通过引入SWM数据集和集成深度学习策略，成功解决了核盘菌和白霉病在田间图像中的检测问题。结果表明，基于Transformer的模型（如DETR）在单个检测器中表现最佳，而共识投票的集成方法进一步提高了检测准确性（F1分数0.953），有效处理了小目标检测和类不平衡的挑战。

该研究的重要意义在于为精准农业提供了一个自动化工具，能够助力农民和农学家在早期阶段识别病害，做出 informed decisions，从而减少农药过度使用和提高作物可持续性。此外，SWM数据集的公开可用性将鼓励进一步研究，推动智慧农业技术的发展。未来工作可以探索更高效的集成方法、扩大数据集地理多样性，以及将检测系统集成到无人机等 robotic platforms中，以实现实时田间监测和干预。

总之，这项研究不仅贡献了一个新颖的 dataset 和有效的检测框架，还为植物病害管理开辟了新的途径，具有广泛的农业应用前景。