《Scientific Reports》：Evaluation of state-of-the-art models for improving the diagnosis of mango tree diseases through supervised learning of symptom images in Burkina Faso
编辑推荐：
在布基纳法索，芒果产业面临诸多植物检疫制约，而生产者对病害及其症状认知不足以及防治技术采用率低下进一步加剧了这一状况。本研究旨在开发一种基于人工智能方法的工具，以实现对影响芒果树的主要病害进行更好的综合管理。研究人员在40个芒果园开展的调查共获取了11,001
在布基纳法索，芒果产业面临诸多植物检疫制约，而生产者对病害及其症状认知不足以及防治技术采用率低下进一步加剧了这一状况。本研究旨在开发一种基于人工智能方法的工具，以实现对影响芒果树的主要病害进行更好的综合管理。研究人员在40个芒果园开展的调查共获取了11,001张三大主要病害特征性症状图像，其中炭疽病（由Colletotrichum gloeosporioides引起）4,527张，细菌性黑斑病（由Xanthomonas citri pv. mangiferaeindicae引起）3,038张，顶梢枯死病（由Lasiodiplodia spp.引起）3,436张。数据经过多项预处理步骤。为确保病害类别间平衡，每类选取3,000张图像，共计9,000张。图像随后被标注并用于预训练YOLOv11模型的训练。训练后形成三个模型：V2-3 M（MAP@50 = 50.3%；精确率 = 55.1%；召回率 = 49.1%；F1分数 = 51.9%）、V3-3 M（MAP@50 = 23%；精确率 = 56.8%；召回率 = 26.7%；F1分数 = 36.3%）和V4-3 M（MAP@50 = 46.8%；精确率 = 52%；召回率 = 45.3%；F1分数 = 48.4%）。最有效的模型为V2-3 M，因其兼具55.1%的精确率、50.3%的MAP@50、49.1%的召回率和51.9%的F1分数。为改善果园的诊断和植物检疫管理，将治疗建议整合入模型、部署至移动应用程序并向生产者推广将具有实用价值。未来工作将涉及数据集扩展、与替代深度学习模型的比较评估以及跨区域验证，以提升模型的稳健性和泛化能力。
布基纳法索芒果主要病害的YOLOv11自动诊断模型研究解读
一、研究背景与意义
芒果是全球第五大产量水果，布基纳法索贡献了西非芒果产量的11%至18%。芒果产业每年创造超过150亿的营业额，为约28,000人提供就业机会，是该国重要的社会经济支柱。然而，该产业面临严重的植物检疫制约，尤其是炭疽病（由Colletotrichum gloeosporioides引起）、细菌性黑斑病（由Xanthomonas citri pv. mangiferaeindicae引起）和顶梢枯死病（由Lasiodiplodia spp.引起）三大主要病害，造成果实品质下降、树木死亡和产量降低等重大损失。遗憾的是，生产者对这些病害及其症状、流行病学特征和诊断方法认知有限，且现有防治技术的推广不足导致采用率低下。人工智能在农业作物病害自动诊断中已成为强有力的决策工具，但在布基纳法索，这一领域仍 largely 未被探索。因此，本研究旨在设计一种基于人工智能的芒果主要病害自动诊断模型，以弥补当地植物病理学专业知识匮乏的现状，加快生产者在田间的决策速度。
二、研究设计与技术方法
研究在布基纳法索Guiriko（Houet和Kénédougou省）和Tannounyan（Comoé和Léraba省）两个芒果主产区开展，该区域约占全国芒果产量的70%。研究人员从2024年3月至7月，在四个省份共40个芒果园中，沿对角线系统检查了2,000棵芒果树，由植物病理学家、昆虫学家和计算机科学家组成的多学科团队采集了11,001张病害症状图像。图像预处理包括调整尺寸至兼容YOLOv11、颜色归一化和亮度校正。从每类病害中分层随机选取3,000张图像，共9,000张，确保类别平衡。图像在Roboflow平台进行边界框标注，并经过专家验证的质量控制。数据增强仅应用于训练集，包括水平翻转、90°旋转、饱和度调整、高斯模糊和噪声添加。数据集按60%训练、30%验证、10%测试进行分层划分，训练集经增强后由5,400张扩展至10,800张，最终完整数据集共14,400张。研究采用预训练的YOLOv11模型进行监督迁移学习，并应用早停法防止过拟合。模型性能通过精确率、召回率、mAP@50和F1分数评估，并使用Kruskal-Wallis非参数检验进行统计比较。
三、研究结果
3.1 三种主要病害的症状特征
调查识别并标注了三大病害的特征性症状。炭疽病表现为叶片上发展成坏死的黑斑和果实上深陷的坏死病斑；细菌性病害表现为叶片上不规则油渍状斑点（有时穿孔）以及果实上黑色星状开裂病斑（有时伴细菌渗出物）；顶梢枯死病导致叶片萎蔫并逐渐变褐，覆盖程度从部分（10%至90%）到完全（100%）。
3.2 自动检测模型的性能
训练产生了三个模型变体：V2-3 M（71个epoch）、V3-3 M（38个epoch）和V4-3 M（75个epoch）。V2-3 M模型表现最佳，mAP@50为50.3%，精确率55.1%，召回率49.1%，F1分数51.9%，各类别检测相对均衡（F1：炭疽病14.2%；细菌性病害41.5%；顶梢枯死病42.6%）。V4-3 M模型尽管训练epoch最多，但表现略逊（mAP@50 = 46.8%；F1 = 48.4%）。V3-3 M模型表现最弱（mAP@50 = 23.5%；召回率26.7%；F1分数36.3%），且完全无法检测顶梢枯死病。Kruskal-Wallis检验显示三个模型在精确率（H = 2.222，P = 0.329）、召回率（H = 3.854，P = 0.146）和F1分数（H = 3.822，P = 0.148）方面无统计学显著差异，但描述性分析一致将V2-3 M确定为最佳模型。此外，在Bobo-Dioulasso地区独立采集的115张图像上进行推理评估，在70%置信阈值下，模型正确检测出104张图像中的病害症状，推理准确率达90.4%，表明模型具有良好的泛化能力。
四、讨论与结论
研究人员指出，所记录的症状与经典植物病理学描述高度一致，为AI模型训练奠定了坚实基础。V2-3 M模型的性能（mAP@50 = 50.3%）与Boulent等人（2019）在番茄病害上使用CNN架构取得的51% mAP相当，验证了深度学习在作物病害检测中的有效性。V3-3 M模型的低性能表明其在捕捉症状多样性方面存在局限，而V4-3 M模型的居中表现说明性能提升取决于架构复杂度、标注质量和训练图像多样性之间的平衡。独立数据集推理评估的90.4%准确率部分弥补了仅内部验证的局限，但跨区域验证仍是未来工作方向。研究结论认为，V2-3 M模型为自动化诊断系统提供了坚实基础，未来工作将聚焦于扩充训练数据集、与R-CNN、EfficientDet、SSD和ResNet等替代架构的系统比较以及跨区域验证。将治疗建议整合入模型、部署至移动应用程序并向生产者推广，将有助于实现芒果园病害的有效管理，为将AI工具融入 agroecological 实践开辟了新前景。
