农村电子商务渗透率与农业企业发展:来自中国的证据
《Agricultural Economics》:Village E-Commerce Penetration and Agricultural Enterprise Growth: Evidence From China
【字体:
大
中
小
】
时间:2026年04月22日
来源:Agricultural Economics 4
编辑推荐:
摘要
作物疾病对农业生产力构成了重大威胁,尤其是在撒哈拉以南非洲地区,那里木薯(Manihot esculenta)、香蕉(Musa paradisiaca)和可可(Theobroma cacao)是重要的农作物。迫切需要创新的植物疾病检测方法来加强控制措施和预防策略,以应对这
摘要
作物疾病对农业生产力构成了重大威胁,尤其是在撒哈拉以南非洲地区,那里木薯(Manihot esculenta)、香蕉(Musa paradisiaca)和可可(Theobroma cacao)是重要的农作物。迫切需要创新的植物疾病检测方法来加强控制措施和预防策略,以应对这一威胁,因为这些疾病威胁着这些增长地区的粮食安全和经济稳定。基于深度学习(DL)模型的图像识别技术为疾病检测提供了一种成本效益高且可扩展的技术。因此,技术的融合带来了人工智能辅助植物疾病诊断的显著改进。本综述评估了卷积神经网络(CNN)在这些作物中检测疾病的有效性,重点关注模型架构、分类能力以及准确性、精确度、召回率和F1分数等性能指标。对CNN模型和机器学习技术的比较分析突显了它们在检测黑穗病、木薯花叶病和黑荚病等疾病方面的稳健性。此外,本研究还探讨了当前作物疾病检测面临的挑战和局限性,并探索了未来发展方向,包括迁移学习和扩展数据集以提高模型准确性和泛化能力的潜力。目标是提高作物疾病检测的准确性,这是确保农业部门可持续发展的关键步骤。预计通过大幅提高检测率,将为更好的疾病管理技术奠定坚实基础,从而保障作物的生产力和健康,进而增强依赖作物生产的农业社区的经济稳定性。研究结果表明,CNN是早期识别作物疾病的强大工具,支持该地区精准农业应用的发展。
1. 引言
农业在满足全球粮食需求和创造收入方面发挥着重要作用。拥有良好农业土地的国家在粮食安全和经济增长方面具有显著优势。然而,随着世界人口的增长,农业面临着日益严峻的压力[1]。作物疾病对全球粮食安全构成了严重威胁。植物受到各种疾病的影响,导致叶片、茎、种子和果实等组织受到轻微到严重的损害[2]。在这些组织中,叶部疾病尤为常见且致命,因为叶片是最脆弱和最重要的光合作用组织。早期诊断和检测对于改善病情和防止错误化学控制至关重要[3]。因此,适用于田间的疾病识别方法有助于迅速采取行动防止疾病传播[4]。通常,植物疾病检测发生在植物地上部分症状明显可见的时候。此时,疾病往往已经发展到难以有效干预的程度[5]。近年来,气候变化加剧了叶部疾病的增加。农民传统的直观诊断方法不可靠且效率低下[3]。因此,植物叶部疾病仍然是作物生产中的关键问题,对全球经济产生了重大影响。联合国粮食及农业组织(FAO)估计,植物害虫每年造成10%–16%的全球收成损失,相当于2200亿美元[6]。由于植物种类的多样性、不同植物之间的症状差异以及已知导致作物叶部疾病的病原体和害虫数量众多,植物叶部疾病的早期检测仍然具有挑战性。受感染叶片上的感染迹象可能因植物而异,甚至在同一植物的不同叶片上也可能不同。根据国际植物病理学会的数据,植物容易受到多种病原体和害虫的侵害,包括细菌、线虫、病毒以及超过19,000种已知会导致作物叶部疾病的真菌[7]。研究人员继续开发自动化、实用的解决方案和有效的植物疾病检测方法[8]。主要目标是正确识别影响作物的疾病,以提高全球粮食安全和农业生产力。尽管在作物疾病检测方面取得了进展,但当前的农场实践仍然主要依赖于农民和专家的手动视觉检查,这既耗时又主观,且常常不可靠[9]。虽然使用深度学习(DL),特别是卷积神经网络(CNN)的自动化方法显示出有希望的结果,但现有研究大多局限于少数几种作物,依赖于理想化的数据集,并且缺乏跨多个模型的充分比较分析[10],如图1所示,这突显了手动检测的挑战以及基于CNN的方法解决这些挑战的潜力。因此,需要全面评估各种CNN架构在广泛作物数据集上的表现,以提高准确性、泛化能力和实际应用性。
2. 综述方法
本综述通过对主要学术数据库(包括Scopus、Web of Science、ScienceDirect、PubMed、ResearchGate和Google Scholar)的相关文献进行系统搜索来开展。搜索范围涵盖了2013年至2026年间发表的研究,重点关注CNN在作物疾病检测和分类应用方面的最新进展。为了确保纳入研究的质量和相关性,应用了以下纳入标准:出版物必须是经过同行评审的期刊文章;出版语言必须是英语;研究必须直接探讨CNN在检测和分类影响可可、香蕉和木薯的疾病方面的应用和有效性;并且研究必须在指定的2013–2026年出版时间范围内。首先根据标题和关键词筛选文章,以评估其与研究目标的相关性。第一轮筛选包括旨在使用CNN和DL技术解决作物疾病检测问题的论文,特别是针对上述作物的早期疾病识别。未使用CNN或基于DL的方法进行植物疾病检测的研究被排除在进一步考虑之外。这种方法确保了综述集中在该领域最相关和方法上最一致的贡献上。本研究独特地评估了多种CNN架构——ResNet-101、AlexNet、DenseNet-201、GoogLeNet和DarkNet-53——在包括木薯、香蕉和可可叶片及豆荚在内的多种作物数据集上的表现。与以往仅关注单一作物、单一模型或理想化数据集的研究不同,本研究提供了模型性能、有效性和实际应用性的全面评估。所选的CNN架构被广泛采用,并在图像分类任务中表现出高效率[11]。选择木薯、香蕉和可可是因为它们在热带地区的经济重要性[12]以及在近期研究中的突出地位,这使得进行有意义的比较分析成为可能。采用了一致的评估标准,包括训练-测试划分和准确性、精确度、召回率和F1分数等性能指标,以确保研究结果的可比性。
2.1. 研究策略
最近在基于CNN的作物疾病检测方面的进展[13]主要局限于单一作物场景或受控数据集。仍然存在关键差距,因为很少有研究系统地比较不同训练-测试划分下的多种CNN架构[14, 15],或在实际条件下评估多种作物的性能[16],这激发了进行更广泛实验验证的必要性。为了确保文献搜索的全面性和结构化,搜索词被系统地选择并分为三个主题领域。第一个领域涵盖了与植物和作物疾病相关的术语,特别关注可可疾病、木薯疾病、香蕉疾病和一般植物疾病检测。第二个领域涵盖了CNN和DL在农业和植物健康监测中的应用。第三个领域包括与农业疾病检测相关的技术应用,如遥感、智能农业、传感器技术和计算机视觉。搜索查询中使用的关键词见表1。这些关键词使用AND、OR和NOT等布尔运算符组合,构建了精确且全面的查询,以最大限度地检索相关文献。在每个数据库中应用定义的搜索查询进行搜索,并根据几个纳入参数对结果进行了细化。具体来说,搜索范围限于2013年至2026年间发表的研究,包括综述文章、原创研究论文和会议论文。
3. 最先进的CNN架构
Andrew等人的工作[17]探讨了使用DL模型(尤其是预训练的CNN模型如Inception V4、ResNet50、VGG-16和DenseNet-121)识别作物叶部疾病的方法,在引言部分回顾的几项研究中尤为突出。他们使用的数据集是PlantVillage[17],包含38个类别和54,305张图片。他们采用了超参数优化和标准化方法来提高准确性并减少过拟合。DenseNet121在多类作物疾病分类中取得了最佳准确性(99.81%),成为这项特定任务最合适的模型。Sanga、Mero和Machuve[18]也专注于二元分类模型,但他们没有比较DL模型或进行多类分析。然而,也发现了关于在其他作物中使用DL的相关研究,并在此进行了详细说明。Blanc-Talon等人[19]提出了一种处理类别不平衡和假阳性的深度元架构,他们专注于在实际田间环境中使用DL方法。当该团队在番茄疾病数据集上测试他们的方法时,实现了疾病诊断的改进。Jadhav等人[20]利用预训练的CNN模型(即GoogleNet和AlexNet)以及迁移学习,在649张大豆叶片照片中识别了三种常见疾病。AlexNet和GoogleNet的准确率分别为98.75%和96.25%。Atila等人[21]使用EfficientNet模型对土豆、橙子、覆盆子、草莓、南瓜、大豆、桃子、番茄和葡萄的叶片上的多种疾病进行了分类。他们训练了多个EfficientNet版本(B0至B7),并评估了它们与Inception V3、VGG16和ResNet50等先进模型的表现。EfficientNetB4和B5模型的平均准确率分别为99.97%和99.91%,证明了EfficientNet在多类作物疾病分类和早期检测方面的有效性。这些最先进的CNN架构在特征提取、准确性和可扩展性方面取得了显著进展,使其成为现代精准农业中自动化作物疾病检测的高效工具。
4. 对先进检测方法的需求
在COVID-19等疫情期间,各国依赖先进技术来预防和解决问题,以减少疾病的传播[22]。目前大多数植物叶部诊断方法依赖于农业专家的视觉检查。一旦症状出现,就可以采取措施来减缓疾病的传播[5]。在某些情况下,这些指标只能在人类无法察觉的电磁频谱段中识别[23]。然而,大多数疾病在可见范围内会产生某种形式的表达[2]。一些疾病可能表现出相同的颜色但形状不同,而其他疾病可能显示不同的颜色但形状相同[24]。农民可能面临成本增加的问题,因为当疾病被发现时,需要采取更广泛和积极的控制措施,这会影响他们的收入稳定性。一些植物疾病会在土壤或植物残渣中持续存在,如果不及时管理,将对未来的作物构成长期风险[25]。将自动化方法整合到农业中旨在通过先进技术提高疾病识别过程的精确度和效率。深度学习(DL)算法的显著进步使得在照片中检测和识别物体成为可能。随着DL在多个领域的成功应用,最近在许多农业和耕作实践中对其进行了研究[8]。本研究重点介绍了一些使用卷积神经网络(CNN)这种DL类型来解决各种植物疾病检测问题的研究项目[26]。DL在多个应用领域展示了巨大的潜力和成功[27]。与传统的观察方法相比,自动化的植物疾病检测选项更快、更便宜且耗时更少。DL的最新进展表明,混合CNN-Transformer模型和多模态学习框架通过整合局部特征提取、全局上下文建模和互补数据源,提高了对复杂疾病模式的准确、稳健和及时的识别能力[28]。
4.1. 早期疾病检测方法
植物疾病的检测有着悠久的历史,可以追溯到古代的农业实践[29]。传统上,农民依靠自己的观察和经验来识别和管理植物疾病,如图2所示。这种方法主要基于对植物症状的视觉检查,如变色、斑点、萎蔫和其他可见的病态迹象[30]。农民利用他们对当地条件和植物行为的了解来诊断疾病问题并采取补救措施,这些措施通常包括手动移除患病植物、轮作以及使用天然杀虫剂[31]。即使在植物病理学正式建立之前,也有重要的早期科学观察为理解植物疾病做出了贡献[32]。早期的农民也认识到环境因素在植物疾病发生和传播中的重要性。他们观察到某些天气条件,如长期潮湿或异常干燥的季节,可能会影响疾病的爆发[33]。这些知识帮助他们开发并采用了农艺策略,例如调整种植时间或选择抗病作物品种以降低疾病爆发的风险。图2展示了农民传统的植物疾病视觉检测方法(作者提供的原始照片)。虽然早期的传统疾病检测和管理方法具有创新性和实用性,但它们存在显著局限性。视觉检查高度主观,依赖于个别农民的知识和经验,可能导致不准确性。没有先进的工具,很难准确诊断导致特定植物疾病的特定病原体[34]。许多传统做法是反应性的,即在症状出现后进行处理,而不是预防疾病的发生。传统知识往往是局部的,限制了其在不同气候和植物种类地区的适用性。显微镜的发展使科学家能够直接观察病原体,发现微生物作为疾病的致病因子,这标志着理解和管理植物疾病的更系统、更科学方法的开始[35]。
5. 传统方法与CNN的比较
传统的作物疾病检测方法,如视觉检查和实验室测试,几十年来一直是农业实践的基石。然而,这些方法存在局限性,可能会阻碍及时和准确的诊断[30]。视觉检查严重依赖于观察者的专业知识和经验,可能导致不一致性和人为错误。此外,这种方法劳动密集且耗时,特别是在大规模农业操作中[36]。实验室测试虽然更准确,但通常涉及昂贵和复杂的程序,需要专门的设备和训练有素的人员。这一过程可能很慢,延迟了必要的干预措施的实施,从而延缓了防止疾病传播的时间[37]。相比之下,CNN提供了一种现代的、技术驱动的作物疾病检测方法,解决了传统方法的许多缺点。CNN能够自动从图像中识别和提取相关特征,提供一致和客观的分析,避免了与人工检查相关的偏见。这种自动化使得大量数据的快速处理成为可能,实现了实时疾病检测和即时响应。CNN还具有高度的可扩展性,适用于小农户和大型农业企业[38]。基于CNN的方法对图像规模、旋转和变换的变化具有鲁棒性,这在植物可能表现出不同症状和方向的农业环境中特别有用。这种鲁棒性确保了CNN能够在不同的环境条件下准确识别疾病,这是传统方法难以做到的。此外,CNN在疾病检测方面表现出更高的准确性,尤其是在症状不明显的前期阶段[39]。尽管传统方法很有价值,但它们正逐渐被基于CNN的方法在效率、准确性和可扩展性方面的优势所超越[40]。在作物疾病检测中采用CNN不仅提高了诊断的精确度,还为农民提供了及时的信息,从而实现了更好的作物管理和更高的产量。
5.1. 机器学习技术的比较分析
机器学习(ML)通过提供强大的工具(如植物疾病检测)彻底改变了各个领域,包括农业[41]。不同的ML技术具有不同的优势和缺点,因此了解和比较它们对于有效应用至关重要[42]。本节提供了用于植物叶病检测的最突出的ML技术的深入比较分析:传统ML、DL和CNN,如表2所示。人工智能(AI)、机器学习、神经网络和DL之间的相互关联框架也在图3中进行了可视化[43]。主要的传统ML技术包括:支持向量机(SVM)、决策树(DT)和随机森林(RF)以及K-最近邻(KNN)。SVM是监督学习模型,用于数据分类和回归分析。它们通过找到最佳分隔数据点类别的超平面来工作。在高维空间中表现良好,并且适用于有明显分隔边界的场景。它们具有多种核函数,适用于不同的决策边界。尽管能够执行这些功能,但对于大型数据集来说计算密集,并且在噪声数据或重叠类别的情况下效果较差[44]。
表2. 传统ML技术与DL技术的比较分析
| 技术 | 性能 | 易用性 | 计算要求 | 数据要求 | 技术覆盖 |
|-------------|------------------|------------------|------------------|------------------|----------------|
| 传统ML技术 | 通常适用于中小型数据集 | 相对容易实现和解释 | 计算资源要求较低 | 适用于小型数据集和较少标记的数据 |
| DL技术 | 在大型数据集和复杂问题上表现优异 | 更易于实现和解释 | 计算资源要求较高 | 需要大量标记的数据以实现高准确性 |
| CNN | 在基于图像的任务中优于传统方法 | 高度可扩展 | 需要高性能硬件(如GPU)进行训练 | 适用于大型数据集 |
4.1. 早期疾病检测方法
植物疾病的检测有着悠久的历史,可以追溯到古代的农业实践[29]。传统上,农民依靠自己的观察和经验来识别和管理植物疾病,如图2所示。这种方法主要基于对植物症状的视觉检查,如变色、斑点、萎蔫和其他可见的病态迹象[30]。农民利用他们对当地条件和植物行为的了解来诊断疾病问题并采取补救措施,这些措施通常包括手动移除患病植物、轮作以及使用天然杀虫剂[31]。即使在植物病理学正式建立之前,也有重要的早期科学观察为理解植物疾病做出了贡献[32]。早期的农民也认识到环境因素在植物疾病发生和传播中的重要性。他们观察到某些天气条件,如长期潮湿或异常干燥的季节,可能会影响疾病爆发[33]。这些知识帮助他们开发并采用了农艺策略,如调整种植时间或选择抗病作物品种以降低疾病爆发的风险。图2展示了农民传统的植物疾病视觉检测方法(作者提供的原始照片)。虽然早期的传统疾病检测和管理方法具有创新性和实用性,但它们存在显著局限性。视觉检查高度主观,依赖于个别农民的知识和经验,可能导致不准确性。没有先进的工具,很难准确诊断导致特定植物疾病的特定病原体[34]。许多传统做法是反应性的,即在症状出现后进行处理,而不是预防疾病的发生。传统知识往往是局部的,限制了其在不同气候和植物种类地区的适用性。显微镜的发展使科学家能够直接观察病原体,发现微生物作为疾病的致病因子,这标志着理解和管理植物疾病的更系统、更科学方法的开始,为今天使用的高级技术奠定了基础[35]。作者
作物与疾病
非洲的地理位置
人工智能算法与架构
准确性
Aduwo等人 [50]
木薯(CMD)
乌干达
机器学习(NB、MLPN、SVM、KNN、DBLVQ)
分类器准确性(HSV(74%–87%),SURF(91%–98%),SIFT(94%–98%)
Ramcharan等人 [51]
木薯(BLS、RMD、GMD、CBSD、CMD)
坦桑尼亚
深度学习(CNN)
96%(RMD),95%(GMD),98%(CBSD),以及96%
Owomugisha等人 [52]
木薯(CBSD、CMD)
乌干达
机器学习(KNN、SVM、DT)
70%–100%
Selvaraj等人 [53]
香蕉疾病(8种)和害虫
刚果、乌干达中部、布隆迪、贝宁共和国
深度学习(CNN)—ResNet50、InceptionV2、MobileNetV1
70%至99%
Sweetwilliams等人 [54]
香蕉(BS)
南非
机器学习(多层感知器ANN)
98%
Gomez Selvaraj等人 [55]
香蕉(BBTD;BXW;HBC和IBP)
刚果民主共和国、贝宁
机器学习(RF和SVM)
99.4%(BBTD);92.8%(BXW);93.3%(HBC);90.8%(IBP);总体97%
Sanga等人 [56]
香蕉(FWB、BS)
坦桑尼亚
卷积神经网络(CNN)(VGG16、Resnet18、Resnet50、Resnet152、InceptionV3)
99%
Sambasivam和Opiyo [57]
木薯(CGM、CBB、CMD、CBB)
乌干达
卷积神经网络(CNN)
93%(CMD、CBSD、CBB、CGM)
Mankal等人 [58]
木薯(CMD、CGM、CBSD、CBB)
乌干达
卷积神经网络(CNN)(Inceptionresnetv2、Inceptionv3、Resnet50)、OpenCV
83.01%(InceptionV3),84.77%(InceptionResNetV2),78.29%(ResNet50)
Sibiya和Sumbwanyambe [59]
玉米(NCLB、CR、GLS)
南非
K均值聚类、模糊逻辑
45.21%(健康),54.79%(患病)
Sibiya和Sumbwanyambe [60]
玉米(NCLB、CR、GLS)
南非
卷积神经网络(CNN)
99.9%(NCLB),91%(GLS),87%(CR),93.5%(健康)
Adedoja等人 [61]
苹果(苹果黑斑病)、葡萄(黑腐病)
南非
卷积神经网络(CNN)、NASNet
93.82%
Adekunle [62]
玉米(LRD、LSD、健康叶片)
尼日利亚
支持向量机(SVM)、随机森林(RF)、神经网络(NN)
93.6%(SVM),96.7%(RF),95.3%(NN)
Kulkarni等人 [63]
马铃薯(LB、EB、健康)
埃及
卷积神经网络(CNN)
98%
5.3. 卷积神经网络模型的比较与统计分析
对卷积神经网络(CNN)在木薯、可可和香蕉作物疾病检测中的有效性进行批判性评估时,结构化的比较分析是必不可少的。现有研究表明,模型性能不仅取决于架构(包括AlexNet、ResNet-101、DenseNet-201、GoogLeNet和DarkNet-53),还取决于作物类型和数据集特征。像ResNet-101和DenseNet-201这样的深度架构由于能够捕捉复杂的特征表示,通常能够实现更高的分类准确性,而像AlexNet这样的较轻模型虽然性能相对较低,但仍具有竞争力。在三种作物中,针对香蕉的研究往往报告最高的准确性,通常在受控条件下超过99%,如表5所示。相比之下,木薯研究的准确性变化较大,这反映了现实世界田间数据带来的挑战,包括背景噪声和疾病之间的视觉相似性。
表5. 木薯、可可和香蕉作物疾病检测研究的比较分析。研究/年份
作物
CNN模型
性能指标
关键发现
[68] 2024年
木薯
AlexNet
准确性92.80%,精确度93.40%,召回率92.20%,F1分数94.30%
表现中等;难以处理复杂模式
[69] 2025年
木薯
基于ResNet的混合模型
准确性98.15%,精确度96.02%,召回率97.96%,F1分数97.22%
混合CNN显著提高了性能
[70] 2024年
木薯
AlexNet
精确度91.00%,召回率91.00%,F1分数91.00%
表现平衡但鲁棒性有限
[71] 2026年
木薯
基于ResNet的混合模型
准确性95.25%,精确度97.98%,召回率93.65%,F1分数85.71%
精确度高但类别间召回率不均衡
[72] 2025年
可可
GoogLeNet
准确性95.00%
有效提取可可豆疾病特征
[73] 2025年
可可
ResNet-101
准确性97.00%
深度残差网络提高了分类准确性
[74] 2026年
可可
DenseNet-201
准确性97.00%
有效处理复杂的可可纹理
[75] 2024年
可可
DarkNet-53
准确性95.00%
适用于实时检测任务
[76] 2023年
香蕉
卷积神经网络(ResNet)
准确性99.00%
在受控数据集下准确性非常高
[77] 2019年
香蕉
AlexNet、GoogLeNet
准确性99.35%
经典CNN仍然具有竞争力
[78] 2024年
香蕉
DenseNet
准确性99.75%
在评估的模型中表现最佳
[79] 2025年
香蕉
AlexNet
准确性88.70%,精确度89.00%,召回率89.00%,F1分数89.00%
与更深层次的CNN相比性能较低
相比之下,专注于可可的研究相对较少,且通常只报告准确性,对精确度、召回率和F1分数等综合指标的关注较少,这限制了全面的统计比较。这种报告不一致性突显了文献中的关键空白,并强调了标准化评估框架的必要性。为了解决这个问题,表5提供了选定研究的比较总结,综合了报告的性能指标,以便更清楚地识别模型有效性、方法学差异和三种作物之间的研究差距。研究发现,尽管像ResNet和DenseNet这样的先进架构在大多数作物上的表现优于其他模型,但由于评估指标(特别是在可可研究中)缺乏一致性,有效的跨研究比较受到限制。这突显了在作物疾病检测中实施标准化评估实践的迫切需求。
6. 卷积神经网络的架构
卷积神经网络(CNN)的架构受到人脑视觉皮层组织的启发。它通常由多个层次组成,每个层次在特征提取和学习中扮演不同的角色。图4[80]提供了CNN架构的可视化表示,突出了关键层次和过程。下一节将探讨CNN的主要层次。输入层接收图像的原始像素值。例如,彩色图像通常表示为一个三维数组,其维度对应于高度、宽度和颜色通道(RGB)[81]。卷积层应用一组过滤器(或内核)到输入图像以提取特征。每个过滤器是一个小型矩阵,它遍历输入图像,执行逐元素乘法并聚合结果以生成特征图[82]。这一层对于捕捉图像中的空间层次结构和模式(如边缘、纹理和形状)至关重要。下一层是激活函数层。在这一层中,广泛使用修正线性单元(ReLU)因其简单性和效率。在其他特定场景中也使用Sigmoid和Tanh等函数。激活函数将非线性引入网络,使其能够识别线性模型无法识别的复杂模式[83]。池化层的作用是降低每个特征图的维度,同时保留最重要的信息。常见的池化操作包括最大池化和平均池化。最大池化从一组值中识别最大值,而平均池化计算平均值。这一过程有助于减少计算负担和过拟合[84]。全连接(FC)层将一层中的所有神经元连接到下一层中的所有神经元,使网络能够根据前一层提取的特征进行最终预测。最后一个池化层的输出被展平为一维向量,并通过一个或多个FC层[49]。输出层产生网络的最终输出,例如分类任务中的类别分数。对于二分类,使用带有Sigmoid激活函数的单一神经元;对于多分类,则使用SoftMax激活函数[85]。
7. CNN的关键组成部分
CNN由几个关键组件组成,这些组件共同工作以处理图像数据。输入层接收图像数据,然后将其传递给卷积层,卷积层应用过滤器来检测局部模式。接下来,激活层使用ReLU等函数引入非线性。池化层用于下采样数据,减少空间维度同时保留重要特征。然后,FC层将这些特征展平并进行处理以进行分类。最后,输出层根据处理后的信息产生预测结果[49]。这些组件共同作用,使CNN能够自动识别并从图像数据中提取相关特征,使其在图像分类、对象检测和图像分割方面非常有效。图5提供了CNN分层架构的深入可视化[86]。在CNN中,称为过滤器的小矩阵在输入图像上滑动以提取各种特征。这些过滤器的数量和大小是影响网络性能的关键因素[87]。过滤器在输入图像上移动的步长(或stride)也起着重要作用。步长为一会产生密集的特征图,捕获更多细节;而较大的步长会减少空间维度,导致更压缩的表示[88]。此外,还使用填充技术来控制输出特征图的空间维度,通过在输入图像周围添加额外的像素。常见的填充技术包括“有效”填充(即不应用填充)和“相同”填充(将输入填充以确保输出维度与输入维度相同[89]。更深层次的网络可以捕获更复杂的特征,但需要更多的计算资源。同样,包含更多层的更深层次的网络可以捕获更复杂的特征,但代价是需要更多的计算资源。因此,仔细考虑过滤器大小、步长、填充和网络深度对于优化CNN在特征提取和图像分析任务中的性能至关重要[90]。
8. CNN在植物叶片疾病检测中的优势
CNN可以自动学习并从图像中提取相关特征,无需人工干预,从而减少了特征提取所需的时间和努力[49]。CNN对图像的尺度变化、旋转和平移具有鲁棒性。这使它们非常适合检测植物叶片中的疾病,因为这些疾病的 symptom 和方向可能各不相同[38]。CNN在各种图像识别任务中取得了显著的准确性,优于传统的机器学习技术。它们捕捉数据中复杂模式和关系的能力提高了诊断精度[91]。CNN架构可以轻松扩展并适应不同的任务和数据集。随着这些技术的不断发展,它们有潜力彻底改变农业实践,特别是在及时和准确检测疾病对作物产量和粮食安全至关重要的地区[92]。AI的快速检测和准确识别能力显著减少了作物损失。这使得农民能够迅速识别和应对疾病和害虫,从而限制其传播并减少损害。作物的保存提高了产量,从而增加了农民的收入。在一个依赖农业为生的国家,这可以极大地影响社区福利和经济稳定[93]。更可靠和安全的产量保证使农民能够为未来制定策略,投资于他们的运营,并提高整体生活质量。基于AI的检测系统使农民能够更有效地利用农药和化肥等资源。通过专注于受影响的区域,而不是无差别地施用处理措施,农民可以显著减少浪费并提高资源利用效率。这种精准农业方法不仅节约了重要资源,还降低了生产成本,从而实现了更可持续的农业实践[94]。
9. 木薯、香蕉和可可的叶片和豆荚图像数据集
图像数据集的可用性和质量对于推进木薯、香蕉和可可等经济重要作物的疾病检测至关重要[95]。这些数据集通常包含大量描绘受各种疾病影响的叶片和豆荚的图像,为训练CNN提供了基础。这些数据集中的图像质量是一个重要因素,因为高分辨率图像可以精确识别疾病症状。例如[51],使用Inception v3 CNN模型检测木薯镶嵌病和木薯褐条病,在复杂的田间环境中也能达到超过90%的准确性[51]。Nandhini等人[96]的研究调查并比较了不同的数据增强和特征选择技术,这些技术提高了香蕉树疾病分类和检测的准确性。Harvyanti等人[97]比较了四种CNN架构:DarkNet、SqueezeNet、AlexNet和定制的CNN,用于检测感染VSD的可可植物。类似地,香蕉和可可的数据集通常包括健康和患病叶片及豆荚的图像,并标注了各种感染阶段和类型。这些数据集中的注释通常很详细,提供了关于疾病类型、严重程度以及有时是感染阶段的信息[98]。这些注释对于CNN模型的准确训练至关重要,使算法能够区分疾病症状之间的细微差异。然而,仍然存在一些挑战,例如需要标准化的数据收集方法来确保不同数据集之间的一致性。图像质量的差异、注释细节的不一致性,以及需要更全面的数据集来覆盖更广泛的疾病和环境条件,这些都是该领域持续关注的问题[99]。使用此类数据集面临挑战,特别是在确保图像能够代表现实世界条件(如不同的光照、角度和遮挡)方面。这些数据集的开发通常需要农学家、数据科学家和当地农民的合作,以确保收集到的图像能够反映实际面临的挑战[100]。尽管存在这些挑战,但继续改进和扩展木薯、香蕉和可可叶及豆荚的图像数据集对于提高多种农业环境中的疾病检测准确性仍然非常重要[101]。
10. 用于疾病检测的CNN–Transformer和多模态模型
最近在植物疾病检测方面的计算机视觉改进越来越多地强调了混合CNN–Transformer架构和基于Transformer的多模态框架,因为这些方法可以缓解传统DL模型的重大局限性[102]。混合CNN–Transformer模型结合了CNN出色的局部特征提取能力和Transformer的全局注意力及长距离依赖性建模,从而在复杂环境中的图像分类和疾病检测方面提高了准确性和鲁棒性[103]。例如,Jain等人[104]的研究表明,基于CNN-Transformer的自动化疾病检测系统可以从叶片图像中以88%–90%的准确率识别作物疾病,并实现快速推理,从而确保及时可靠的诊断。研究结果表明,通过明智的决策和减少对人工检查及过度使用化学物质的依赖,有可能增强可持续农业实践(图1)。Jia和Wang[105]提出的ConvTransNet-S模型在保持低计算复杂性的同时实现了高准确率的作物疾病识别,在PlantVillage数据集上达到了98.85%的准确率,并在复杂的田间环境中表现出色。结果证实,混合CNN–Transformer设计有效地提高了鲁棒性、效率和疾病特征的区分能力,使其非常适合实际农业应用。同时,基于Transformer的多模态框架将视觉信息与支持数据源(包括光谱、环境或上下文输入)结合起来,使模型能够识别仅凭RGB图像无法发现的隐藏的生理和环境信号[106]。Padshetty和Umashetty[107]的研究发现,混合CNN–Transformer模型通过有效结合局部特征提取和全局上下文建模,在多个数据集上实现了98.92%的作物疾病分类性能。这些结果表明,集成的注意力和特征融合机制显著提高了分类的可靠性,支持了该模型在实际疾病诊断中的有效性。同样,Zhang等人[108]提出的多模态DL模型通过有效融合图像和传感器数据,在具有挑战性的沙漠环境中实现了稳健且准确的枣树疾病检测,在多个性能指标上优于现有方法。结果表明,在复杂环境条件下,该模型具有高准确性、鲁棒性和实际应用性。
11. 作物疾病检测中的挑战和局限性
使用CNN进行作物疾病检测是一种有前景的方法,但面临许多可能影响模型精度和效果的障碍和局限性。其中一个主要挑战是图像质量[109]。高分辨率图像对于准确捕捉健康植物和患病植物之间的细微视觉差异至关重要。由于光照不一致、分辨率低和背景噪声等因素导致的图像质量差可能导致误分类,并降低CNN模型的可靠性[110]。为了解决这个问题,可以采用图像增强、噪声减少和数据增强等预处理技术来提高用于训练模型的图像质量[111]。另一个重要挑战是数据集的大小。大型且多样化的数据集对于训练CNN以识别不同作物和环境条件下的各种疾病模式至关重要。然而,创建这样的数据集可能耗时且资源密集,常常导致使用较小且代表性不足的数据集,这些数据集可能无法涵盖所有可能的疾病症状。通过数据增强技术可以解决这一限制,该技术通过生成现有图像的修改版本(如旋转、翻转和颜色调整)来人工扩展数据集。此外,迁移学习(在大量数据集上预训练模型,然后将通用图像数据集针对特定农业数据集进行精细调整)可以帮助克服小型数据集的局限性[41]。类别不平衡是作物疾病检测数据集中经常出现的另一个挑战。在许多情况下,健康植物的图像远多于患病植物的图像,导致数据集偏斜,模型可能会偏向于预测多数类。通过过采样少数类、欠采样多数类或使用加权损失函数等方法可以有效缓解类别不平衡,确保CNN模型更好地识别现实世界中的疾病[57]。除了这些技术挑战外,CNN模型在现实农业环境中的适用性有限也是一个关键限制。现有的许多研究——特别是涉及木薯和香蕉的研究——依赖于受控或半受控的数据集,这些数据集是在理想条件下拍摄的[112]。然而,在实际农场环境中,诸如光照变化、其他叶片的遮挡、单株植物上同时存在多种疾病以及复杂的背景等因素会显著降低模型性能[113]。这种实验条件与现实世界条件之间的差距削弱了CNN模型在田间的直接应用能力。此外,先进CNN架构的计算需求和资源要求也是一个主要限制,特别是在木薯、可可和香蕉广泛种植但高性能计算基础设施有限的地区。尽管这些模型实现了高准确性,但在实际农业应用(尤其是对于可能依赖移动设备或低功耗设备的小农户)方面仍存在差距。CNN为作物疾病检测提供了强大的工具,但必须仔细管理这些挑战,以确保开发出更准确可靠的疾病检测模型。
12. 作物疾病检测的未来方向和机遇
作物疾病检测的未来在于将CNN与其他先进技术(如无人机和物联网(IoT)传感器)相结合,这可能会彻底改变农业行业。一个有前景的方向是使用配备高分辨率相机的无人机进行大面积农田的空中监测。通过将CNN与无人机技术结合,可以快速准确地识别大面积区域的疾病爆发,而手动监测这些区域既耗时又费力。无人机可以从多个角度和高度拍摄图像,提供作物健康的全面视图。然后,这些图像可以由CNN模型实时处理以检测疾病,从而实现及时干预[114]。另一个未来的研究重点是CNN与IoT传感器的集成。IoT设备(如土壤湿度传感器、温度传感器和湿度传感器)可以提供关键的环境数据,当与CNN的视觉数据结合时,可以提供更全面的作物健康状况。例如,土壤湿度水平的变化可能与某些疾病相关,通过整合这些数据,CNN可以提高其预测准确性。这种多模态方法不仅能够检测疾病,还能了解导致疾病传播的环境条件,从而制定更有针对性和有效的疾病管理策略[115]。实时处理和基于云的平台在未来可能发挥重要作用。通过利用云计算,可以从无人机和IoT传感器收集的数据可以实时处理和分析,使农民能够立即了解作物的健康状况。这可能导致智能农业应用程序的发展,为农民提供可操作的见解和建议,从而提高决策能力和生产力[116]。再次,合作研究和开源平台可以通过促进农业社区之间的数据、模型和见解共享来进一步推动该领域的发展。这种合作方法将加速创新,提高CNN模型的鲁棒性,并确保即使是小农户也能获得先进的作物疾病检测技术[117]。CNN与前沿技术的结合为提高作物疾病检测提供了变革性机会,使其更加精确、高效,并使农民更容易使用,最终有助于全球农业的可持续性。
13. 结论
本研究表明,CNN为准确高效地检测木薯、香蕉和可可作物中的疾病提供了变革性工具,这些作物对撒哈拉以南非洲的生计至关重要。通过证实CNN能够实现及时、现场诊断干预的技术能力,该研究为人工智能驱动的精准农业提供了关键途径。实际意义直接而深远:为小农户和推广服务提供可访问的移动工具可以大幅减少作物损失,增加产量,并提高家庭收入。要实现这一潜力,有针对性的政策行动至关重要。政府和开发伙伴必须投资于构建全面的、特定区域的图像数据集,并在农村地区发展数字基础设施。此外,农业政策应将AI推广服务纳入国家食品安全战略,为农民提供可扩展的技术支持,并支持培训计划以提高数字素养。通过合作研究和创新政策解决数据稀缺和模型泛化能力的问题,利益相关者可以将CNN技术不仅视为技术成就,而且作为整个大陆上具有韧性和生产力的农业系统的基石。
作者贡献
Evans Asenso:概念化、监督、方法论、撰写——初稿、审阅与编辑。
Stephen Ardey Mensah:方法论、撰写——初稿、审阅与编辑。
Peace Korshiwor Amoatey, Peter Amoako Ofori, Stella Owusu-Nketia, Edward Benjamin Sabi, Frank Agyen Dwomoh, Anthony Raphael Simpson:撰写——初稿、审阅与编辑。
资金
本手稿未收到任何资助。
披露
所有作者均同意发表本手稿。
利益冲突
作者声明没有利益冲突。
数据可用性声明
支持本研究结果的数据可在合理请求下从相应作者处获得。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号