《Plant Science》:A deep learning mobile application for tomato leaf nutrition deficiency identification with YOLOv8 and enhanced augmentation
编辑推荐:
番茄叶片营养缺乏的YOLOv8深度学习检测模型研究。通过分层数据增强策略优化模型,在mAP50达92.7%、F1 score 89.5%的指标下显著提升检测精度,并开发配套安卓应用实现实时应用。
Kamaldeep Joshi|Varun Kumar|Sumit Kumar|Kriti Katyal|Rainu Nandal|Ashima Nehra|Kashmir Singh|Narendra Tuteja|Ritu Gill|Sarvajeet Singh Gill
印度哈里亚纳邦罗塔克市马哈希·戴亚南德大学工程与技术学院计算机科学与工程系
摘要
作物中的营养缺乏会导致严重的产量损失。早期和准确地检测这些缺乏症对于有效干预至关重要,因为它可以及时采取纠正措施,减少作物损害,并确保最佳生产力。传统的识别缺乏症的方法通常依赖于对叶片的手动检查,这既耗时又容易出错。为了解决这一挑战,我们提出了一种基于深度学习(DL)的方法,该方法利用最新的目标检测模型YOLOv8来检测和定位受影响的番茄叶片。本文介绍了一种使用YOLOv8模型和分层增强方案来检测番茄叶片营养缺乏的DL方法。增强后的数据集使模型能够更好地识别缺乏症的细微迹象,从而提高预测的准确性。我们的方法基于关键性能指标进行了评估,如准确性、内存使用量和mAP50。该模型的mAP@0.50达到了92.7%,mAP@0.50–0.95达到了89.1%,精确度为89.1%,召回率为83.1%,F1分数为89.5。结果表明,与早期模型相比,所提出的框架在mAP、准确性、精确度和F1分数方面表现更优。先进的对象检测能力和增强数据集的结合使得这种方法在精准农业中非常有价值,能够及时和有针对性地进行干预,以改善作物健康和生产力。此外,还开发了一个Android应用程序,用于实时应用该方法。
引言
番茄(Solanum lycopersicum L.)是全球最重要的园艺作物之一,因其丰富的营养成分和多样的烹饪用途而受到重视。番茄是抗氧化剂(如番茄红素)、维生素C、A、K1、B9、矿物质和膳食纤维的主要来源,有助于人类健康和疾病预防(Li等人,2024年;Janani等人,2025年)。番茄的质量取决于主要矿物质营养素(如钙(Ca)、钾(K)和氮(N)以及次要微量营养元素(如硼(B)、铁(Fe)和锌(Zn)(Tran等人,2019年;Erika等人,2020年;Zhang等人,2024年)。这些营养元素对番茄植物的生长和发育至关重要,进而决定了作物的整体质量和产量(Tran等人,2023年)。必需的大量营养素N和K在植物的各种生理发育过程中起着重要作用,它们的缺乏通常会表现为特定的症状,包括黄化和花端腐烂(Tran等人,2019年)。深度学习(DL)已被证明是一种强大的技术,可用于分类不同的植物疾病,因此在精准农业中具有巨大潜力(Fuentes等人,2017年;da Costa等人,2020年;Gill等人,2025年)。DL模型的先进神经网络架构可以用于更好地识别和分类影响番茄植物的不同疾病,从而有助于及时干预,提高作物产量和质量(Sohib等人,2022年;Chaturvedi等人,2022年;Singla等人,2024年;Joshi等人,2025年)。
流行的DL架构已被用于检测和分类番茄植物中的疾病和害虫。VGG16图像分类模型已被有效用于分类番茄叶片的疾病,如早疫病、晚疫病、叶霉病和细菌性斑点病(Arshad等人,2024年)。另一方面,设计了一种带有ReLU激活卷积层和最大池化的CNN架构,用于分类番茄、土豆和辣椒叶片的疾病(Sarawagi等人,2024年)。这套预训练的权重获得了较高的验证准确性,并具有针对植物(如受疾病感染的番茄植物)进行微调的能力。应用的数据增强程序可以处理训练数据集中类别不平衡的问题,从而使模型更加稳健(Kumar等人,2024年)。另一种高效的模型是MobileNet,在大多数研究中提出的架构中,其在检测疾病方面的验证准确性约为91%(Siddiky等人,2024年)。还提出了一些其他架构,例如TomatoDet,它结合了Swin-DDETR自注意力机制和Meta-ACON激活函数,在复杂环境中获得了更高的检测结果,例如mAP为92.3%(Wang和Liu,2024年)。还提出了一种混合CNN-Transformer,增强了多个数据集上的特征提取和泛化能力(Chen等人,2024年)。数据增强在很大程度上基于泛化和处理类别不平衡的能力。它通过向模型中注入光照、背景或叶片位置的变化来人工扩大训练数据集,使其对各种情况都具有鲁棒性(Arshad和Subhash,2024年;Sarawagi等人,2024年)。为此,发现了一种基于循环一致性生成对抗网络的Transformer模型,可以生成具有更好分类准确性的病叶图像(Chen等人,2024年)。大量案例证实,对神经网络架构的优化(例如锚点比例和特征提取拓扑结构)可以提高检测准确性和计算效率。在尝试将模型部署到实时农业场景时,这些优化至关重要(Ananthi等人,2024年)。使用经过微调的CNN进行实时成像可以提供一种强大的实时疾病预测方法,可能克服现有方法在准确性和泛化方面的局限性(Manchanda等人,2024年)。复杂环境具有复杂的背景,因此由于过度干扰和不精确的病变定位,疾病检测变得困难。像TomatoDet这样的先进模型在特征提取和多尺度融合方面进行了改进,丰富了实际应用中的检测结果(Wang和Liu,2024年)。DL模型的潜力,如Inception-ResNet v2和Autoencoder,已被用于预测和分类营养缺乏,从而有效管理番茄作物并提高产量,防止与营养相关的病理问题(Tran等人,2019年)。在番茄种植中,DL对于其适当的栽培和高品质产量尤为重要(Tran等人,2019年)。使用“机器学习”、“深度学习”、“数据增强”和“番茄营养缺乏检测”等术语在Frontiers、Web of Science、SpringerLink、IEEEEXplore和ScienceDirect等数据库中进行了彻底搜索。初步结果显示,关于番茄叶片营养缺乏的出版物很少(表1)。
研究贡献
本研究的工作贡献如下:
•收集了OLID I数据集中的图像,这些图像展示了各种营养缺乏情况,并进行了分层增强以增加图像数量。
•开发了一个基于YOLOv8的深度学习框架,用于实时检测和分类番茄叶片中的营养缺乏。
•使用mAP、F1分数、精确度和召回率等指标评估了带有数据增强的YOLOv8模型的性能。
•数据集描述
OLID数据集包含4,749张高分辨率图像(3024 × 3024像素),展示了不同的植物疾病和营养缺乏情况,并对生物(如疾病和昆虫)和非生物(营养问题)压力进行了注释。这些图像是在孟加拉国农业研究所(BARI)使用iPhone 13 Pro Max拍摄的。为了保持一致性,每片叶子都在黑色缎面背景上单独拍摄,以避免光照问题并减少对图像处理的需求
结果指标
使用不同的矩阵来评估模型的性能。在对象检测模型中,使用了许多基本参数来评估它,如下所述:
•真阳性(TP):准确检测到含有营养缺乏的番茄叶片的图像。
•假阳性(FP):
•假阴性(FN):
结果与分析
增强后的数据集表现出稳健的性能,关键评估指标包括mAP50、精确度、召回率、盒损失、F1分数和mAP50-95,所有参数都显示出显著的输出,如表6所示。该模型的性能非常出色,在IoU阈值为0.50时mAP为92.7%,在IoU阈值介于0.50到0.95之间时mAP为89.1%。精确度也非常高,为89.1%,表明大多数预测为阳性的实例都是真实的阳性实例。
讨论
与以往的研究相比,所提出的模型在检测番茄叶片中的营养缺乏方面取得了显著改进。这项工作的目标是在资源有限的农业环境中进行部署,在这些环境中,移动设备或边缘设备的GPU和内存容量通常有限。使用更大的YOLOv8变体会与这一目标相矛盾,因为它们需要更高的计算资源,但不会带来有意义的准确性提升。如表9所示,
结论与未来展望
在这项研究中,开发了一个基于DL的框架,用于使用增强的YOLOv8模型和分层数据增强策略来检测番茄叶片中的营养缺乏。该模型在IoU阈值为0.50时达到了92.7的amAP,在0.50到0.95之间的阈值下分别达到了89.1、83.1%和89.5%的精确度、召回率和F1分数。结果表明,所提出的方法非常有效
未引用的参考文献
(Chaturvedi等人,2023年;Elizamar等人,2010年;Brahimi等人,2017年;Nur等人,2024年;Shoaib等人,2022年;Orka等人,2023年;Saleem和Arif,2019年;Wang和Liu,2024年)
CRediT作者贡献声明
Narendra Tuteja:概念化、写作——审阅与编辑。Ashima Nehra:数据整理、正式分析、写作——初稿。Kashmir Singh:概念化、写作——审阅与编辑。Kriti Katyal:数据整理、正式分析、写作——初稿。Rainu Nandal:数据整理、写作——审阅与编辑。Varun Kumar:数据整理、正式分析、写作——初稿。Sumit Kumar:数据整理、正式分析、写作——初稿。Kamaldeep Joshi:
致谢
SSG实验室在植物非生物胁迫耐受性方面的工作部分得到了印度大学拨款委员会(UGC)、科学与工程研究委员会(SERB)和科学工业研究委员会(CSIR)的支持。SSG和RG还得到了DBT-BUILDER拨款(编号BT/INF/22/SP43043/2021)的部分支持。SSG还感谢“研究促进政策”下的“种子后研究拨款”(编号DRD/25/1075)的部分支持。我们衷心感谢我们的