摘要
葡萄园在全球范围内都受到病原体的影响。其中最具破坏性的病原体包括Uncinula necator、Plasmopara viticola以及蓟马，这些病原体会对植物造成严重损害，威胁葡萄园的健康和生产力。为了控制病原体的出现和传播，早期检测至关重要。迄今为止的研究主要集中在病原体的视觉或分子检测上，但在可扩展性、劳动强度、设备需求和专业知识方面存在局限性。为了解决这些问题，我们提出利用卷积神经网络（CNN）对通过智能手机和FLIR传感器捕获的RGB图像及热红外图像进行葡萄病毒感染的早期检测。具体步骤如下：首先收集近500张显示病原体症状的图像，并将这些图像分割成较小的块；然后使用经过Single Shot Detector和RetinaNet框架训练的ArcGIS Train Deep Learning Model工具来识别出含有病原体的图像区域；最后计算IoU分数，以比较不同图像块大小和检测框架之间的精确度。实验结果表明，这些模型在病原体检测方面非常有效，大多数图像的IoU分数超过0.7，其中30%的图像精确度达到了1.0。这些发现强调了早期检测病原体的重要性，有助于更好地了解其传播情况及其对葡萄园的影响，从而为制定有效的管理措施提供依据。
