基于YOLOv9的智能番茄叶部病害检测与自动喷施处方：一种智慧农业方法

《Automation》：Intelligent Tomato Leaf Disease Detection and Automated Spray Prescription Using YOLOv9: A Smart Agriculture Approach Shahab Ul Islam, Giampaolo Ferraioli, Ghassan Husnain, Abdul Waheed and Vito Pascazio

　　

番茄种植是全球农业的基石，然而其面临多种病害的严峻挑战，这些病害可能大幅降低产量和品质。依赖人工检查的传统病害检测方法劳动密集、耗时且易受人为错误影响。为解决这些问题，本研究提出一种先进的自动化系统，用于番茄病害检测和喷施处方，该系统采用增强的YOLOv9（You Only Look Once）模型。通过利用先进的深度学习技术，所提出的系统通过做出高效、精确且准确的决策，实时准确地识别和检测九种番茄叶部病害。该YOLOv9模型针对番茄叶部病害检测进行了修改，并优化以获得更高的准确性和效率。系统根据检测到的病害自动处方喷施，有助于减少农药使用及其环境影响。该系统有助于最大化作物健康与产量。在测试数据集和实时图像上测试后，结果表明系统的准确性和效率，达到97%的检测准确率和94%的喷施处方准确率。将YOLOv9与喷施处方系统集成，为管理番茄植株病害提供了一种可持续、经济高效的解决方案。将该系统部署在边缘设备上，为更广泛的精准农业应用铺平了道路。通过将先进技术与实际农业需求相结合，这项工作为全球确保粮食安全和生态农业实践做出了贡献。

**论文解读：基于YOLOv9的智能番茄叶部病害检测与自动喷施处方研究**

**研究背景与存在问题**
番茄（*Solanum lycopersicum*）是全球最重要的园艺作物之一，年产量超过1.86亿吨，市场价值超过1900亿美元。然而，细菌、真菌及病毒性病害导致全球产量损失10%–25%，年经济损失达190–480亿美元。传统病害管理依赖定期施药，导致生态污染、农药过量使用、病原体抗性增加及生产成本上升。据统计，全球每年使用超过200万吨农药，其中番茄生产占显著比例。早期准确检测病害对实施精准干预至关重要，但传统目视检查或实验室分析成本高、耗时长，且对大田难以实施。病害早期症状因与非生物胁迫或营养缺乏相似而易被误诊。计算机视觉与人工智能（AI）的发展为精准病害管理提供了机遇，尤其是卷积神经网络（CNN）和YOLO（You Only Look Once）算法家族在实时农业应用中表现突出。YOLOv9于2024年初发布，采用增强的广义高效层聚合网络（GELAN）架构。尽管现有研究在番茄病害检测算法上取得进展，但与自动喷施处方系统的集成仍有限；多数系统在受控条件下准确率高，但在复杂田间环境（复杂背景、光照变化、不同病害表现）下性能下降；实时边缘设备部署面临计算效率和检测精度的平衡问题。为此，研究人员开展本研究，旨在开发并验证基于YOLOv9的番茄叶部病害检测与自动喷施处方集成系统，以实现高效、精准的病害管理和农药减量。该论文发表在《Automation》期刊上。

**主要关键技术与方法**
研究人员采用以下核心方法：首先，从公共数据集（RoboFlow Universe）和无人机现场拍摄中采集10,047张番茄叶部图像，涵盖9种病害（早疫病、晚疫病、叶斑病、叶霉病、靶斑病、红蜘蛛、黄化曲叶病毒病、花叶病毒病）及健康叶片，并划分为训练（70%）、验证（15%）和测试（15%）集。图像统一调整为640×640像素，并应用旋转、翻转、缩放及HSV调整等数据增强技术。模型采用改进的YOLOv9架构，包含CSPDarknet骨干网络、PANet颈部及针对小病灶修改的锚框；预训练于COCO数据集，优化器为Adam（动量0.937，权重衰减0.0005），学习率0.01并配合余弦退火调度器，训练150个周期，使用NVIDIA GPU（如RTX 3090/4090）加速。喷施处方模块基于预设疾病-喷施对照表（如铜基杀菌剂对应细菌性斑点、百菌清对应疫病），根据YOLOv9输出的病害类别自动推荐相应喷施方案。

**研究结果**

**混淆矩阵分析**
研究人员通过归一化混淆矩阵评估YOLOv9对九种番茄叶部病害及背景类别的分类性能。主对角线高值表明模型对各类别具有较高的真正率（召回率），尤其在“潜叶虫”、“晚疫病”、“早疫病”和“叶霉病”上表现优异。主要误分类发生在“黄化曲叶病毒”上，34%被预测为背景；同时，背景类中20%的真实“健康”样本被误分类为背景。总体而言，混淆矩阵确认YOLOv9在区分不同病害类型上高度有效。

**性能指标与训练可视化**
YOLOv9在测试集上达到97%的平均精度（mAP@50）和93%的平均精度（mAP@50-95），推理速度为每幅图像13.5毫秒。与YOLOv7和YOLOv8相比，mAP提升约3–4%。训练可视化显示边界框损失（box_loss）、分类损失（cls_loss）和分布焦点损失（dfl_loss）随训练周期下降，表明模型在目标定位和识别能力上的持续改进。

**类别级性能**
模型在“潜叶虫”类别上达到99.5%的mAP@50，表现最佳；而在“黄化曲叶病毒”上仅有83.2%的mAP@50，为主要薄弱环节。精度-召回曲线在mAP@50下达到0.98%，F1置信曲线为0.94%，表明模型能有效减少假阳性。

**喷施处方结果**
集成模块在检测到病害后自动处方相应喷施，例如对“潜叶虫”处方特定杀虫剂，对“晚疫病”处方杀菌剂。模型在多数病害上表现良好，但“黄化曲叶病毒”的误分类降低了喷施处方的准确性，提示需进一步改进。

**讨论与结论**
**讨论部分**：YOLOv9与自动喷施处方模块的集成代表了精准农业的重要进步。该系统通过高精度实时检测和自动处方，减少了农药过度使用，并降低了人为错误。与现有方法（如DM-YOLOv8、YOLOv8n等）的对比显示，本研究在精度（95.8%）、召回率（92.4%）和mAP@50（97%）上优于或持平于同类模型。但存在局限性：模型性能高度依赖训练数据质量，早期病害检测仍具挑战；田间环境（光照、背景、遮挡）可能影响准确率；地理差异导致模型泛化性受限；边缘设备部署需权衡速度与精度；喷施处方模块仅基于病害类型，未考虑严重度、生长阶段和环境条件；系统成本对小农户可能较高。未来方向包括扩展训练数据集、优化边缘部署、集成实时环境数据以及基于病害严重度的动态处方。

**研究结论部分翻译**：本研究提供一个高效且鲁棒的系统，用于早期检测番茄植株病害并根据检测到的病害自动处方喷施。该系统解决了现代农业中的关键需求。基于YOLOv9的病害检测模型与自动喷施处方模块的集成，代表了番茄种植精准农业的重要一步。系统达到95.8%的精确率、92.4%的召回率和97%的mAP@50，清晰展示了其在真实农业应用中的准确性、效率和可靠性。该系统准确检测病害并自动处方喷施的能力，对可持续和高效农业实践具有深远意义。通过减少假阳性，系统旨在最小化农药使用，从而降低农民运营成本和环境影响。该方法为农民在番茄种植管理中做出及时且明智的决策提供了强大工具。本研究不仅验证了先进深度学习模型（如YOLOv9）在复杂农业应用中的有效性，也为增强粮食安全和促进可持续农业实践提供了切实可行的解决方案。未来研究可探索适应环境条件、病害严重度和经济因素的动态喷施处方模块，以及与机器人平台集成的全自主病害管理和靶向喷施。