利用无人机图像进行棉花田疾病检测的深度学习方法：综述

《Knowledge-Based Systems》：Deep Learning Methods for Disease Detection in Cotton Fields through UAV Imagery: A Review

　　

安瓦尔·伊克巴尔 | 库恩瓦尔·法拉兹·艾哈迈德·可汗 | 肖巴兹·汗

摘要

棉花生产面临着来自多种植物病害的严重威胁，导致农民的产量损失和经济损失，尤其是在纺织产业严重依赖这种作物的地区。最近，结合深度学习技术的无人机（UAV）的发展为早期病害检测提供了一种可扩展且高效的解决方案。本系统综述探讨了最先进的深度学习技术，如卷积神经网络（CNN）、YOLO变体以及视觉变换器（Vision Transformers），这些技术被应用于无人机拍摄的RGB和多光谱图像中，用于识别和分类棉花植物病害。该综述重点关注使用包含健康和病害样本的标注数据集进行训练和验证的模型。值得注意的是，混合架构和基于变换器的架构，特别是视觉变换器，表现出更高的准确性和计算效率，使其非常适合在田间条件下实时应用。此外，本研究还评估了这些架构在大规模农业监测中的可扩展性和性能。主要建议包括集成边缘计算和光谱成像技术，以提高计算可行性并实现可靠的现场决策。这些见解有助于开发自动化病害监测系统，促进可持续农业和数据驱动的害虫管理。

引言

人类文明长期以来一直以农业为基础，因为人类长期以来依赖农田来提供足够的食物资源并维持经济的可持续性。在各种农作物中，棉花（Gossypium hirsutum）是最广泛种植的作物之一，也是全球最重要的经济作物之一。阿什拉夫等人[1]指出，在像巴基斯坦这样的农业国家，棉花是保持蓬勃发展的纺织业的关键资源。然而，棉花生产通常受到多种病害的困扰，包括棉叶卷曲病毒、细菌性枯萎病、叶片变红病以及多种真菌感染。图1显示了2024年夏季尝试种植棉花时普遍出现的作物失败情况。许多最近的研究，如阿什拉夫等人[2]和阿巴斯等人[3]认为，如果不立即检测和管理，这些病害将导致巴基斯坦农民在未来几年面临巨大的产量损失和经济困难。拉米查内等人[4]指出，历史上，在依赖农艺师或农民进行视觉检查的农业社会中，依赖劳动密集型过程来检测病害，而这些检查往往具有主观性，并且对疫情的反应迟缓。令人担忧的是，根据联合国粮食及农业组织（FAO）的报告，2020年至2024年间，由于这些病害，棉花产量损失了40%到60%[5]。气候变化使得棉花生产者难以识别害虫并立即采取干预措施应对这些威胁。由于病害模式的相似性和使用传统方法确定棉花病害的困难，棉花生产面临着真正的挑战。马纳瓦兰等人[6]概述了开发技术的可能性，如果通过智能手段检测病害，可以减少人为错误，因为人类的视线范围和病害知识存在局限性。在这种情况下，无人机（UAV）提供了一种独特且高效的方法来及时检测棉花病害[7]。区分健康作物和病害作物的需求为通过无人机图像进行更智能的检测提供了途径，而这种技术通过开发的算法证明了更高的准确性[8]-[9]。深度学习方法的进步与无人机图像的结合被证明是有效的病害检测和分类方法[10],[11]。传统方法基于视觉检查，耗时、劳动密集且容易出错，这可能导致棉花田中的经济和产量损失[12]。通过根据农民的本地需求进行架构调整，可以使传统的机器学习和深度学习算法变得有用[13]。特别是卷积神经网络（CNN）、视觉变换器（ViTs）和YOLO变体之类的深度学习架构，在从无人机图像中分类和定位病害方面表现出卓越的准确性[14],[15]。结合注意力机制的混合模型即使在光照变化和遮挡情况下也能达到超过95%的准确率[14]。此外，像MobileNet和EfficientNet这样的轻量级架构能够在边缘设备上进行实时处理，弥合了计算效率与检测性能之间的差距[14]。

尽管取得了进展，但仍存在一些关键挑战：

i.

早期检测：模型难以识别早期的细微症状（准确率降至70–85%）。

ii.

环境变化：在不同的光照条件、海拔和区域病害菌株下，性能会下降。

iii.

计算限制：高精度模型（如视觉变换器）所需的资源与田间部署不兼容[16]。

iv.

对于无人机图像而言，多病害同时发生和定位的问题：当前系统侧重于单一病害的检测，缺乏对并发感染的鲁棒性[17]。

本系统综述评估了基于无人机的棉花病害检测的最先进深度学习技术，重点关注：CNN、变换器和混合模型的架构创新。

• i.
  在不同数据集上的性能指标（准确率、IoU、F1分数）。
• 与边缘计算、物联网（IoT）和精准农业系统的集成。
• iii.
  对可扩展部署的限制和未来方向的批判性分析。

本综述的其余部分结构如下：第二部分详细介绍了文献选择方法。第三至第四部分分析了深度学习架构、验证策略和田间应用。第六部分讨论了比较性能，第七部分概述了未来研究趋势。

部分摘录

研究理由

在农业领域，有效的病害检测和明智的害虫管理一直是一个持续的挑战。由于作物损失，农民面临破产甚至自杀的情况[18]。这项工作是使害虫管理更加智能化并产生有希望的结果以缓解贫困的第一步。在农村地区，由于纺织行业对棉花的持续需求，恢复棉花生产是唯一的选择。人工智能和深度学习的进步

用于检测的深度学习算法

近年来，深度学习算法的应用使棉花病害检测取得了进展。这些算法在图像分类和对象检测任务中的表现优于其他算法，适用于通过无人机图像检测病害症状和害虫[39]。深度学习模型使数据能够自动学习层次特征，彻底改变了植物病理学和害虫管理方式。RNN和LSTM可以用来预测

分析方法

分析解决方案策略涉及利用数学模型和算法从无人机图像中捕捉病害。以下分析方法适用于通过无人机图像处理和实施深度学习方法来检测棉花田中的病害。

棉花病害检测中的验证和验证方法

病害检测的验证和确认是评估深度学习模型在农业中通过无人机图像进行病害检测的实际可靠性和有效性的关键组成部分。本节综合了文献中采用的方法来验证和确认深度学习模型，强调了实践、挑战和病害检测及可持续农业实践中的新兴趋势。

深度学习算法的比较研究

近年来，深度学习算法的应用使棉花病害检测取得了进展。这些算法在图像分类和对象检测任务中的表现优于其他算法，因此适用于通过无人机图像检测病害症状和害虫[48]。深度学习模型使数据能够自动学习层次特征，彻底改变了植物病理学和害虫管理方式。RNN和LSTM可以用来预测

讨论与未来趋势

多项研究报道了使用深度学习算法通过无人机图像检测棉花病害的突破性成果。Noon等人[26]表明，他们改进的YOLOX模型在处理多种同时发生的棉花植物病害方面表现出色。Feng等人[55]利用基于无人机的图像和深度学习模型研究了棉花的出现情况。总体上，95.3%的棉花植物检测准确率显示了深度学习在早期作物监测中的潜力。

手稿准备过程中生成式AI和AI辅助技术的声明

在准备这项工作时，作者使用Grammarly工具进行了语法校正。使用该工具/服务后，作者根据需要审查和编辑了内容，并对发表文章的内容负全责。

未引用的参考文献

[29]

CRediT作者贡献声明

安瓦尔·伊克巴尔：撰写——审阅与编辑，撰写——初稿，概念构思。库恩瓦尔·法拉兹·艾哈迈德·可汗：肖巴兹·汗：

利益冲突声明

作者声明他们没有已知的利益冲突或个人关系可能影响本文报告的工作。