## 中文标题 AI驱动的多模态深度学习系统用于小麦病害检测、产量预测与作物健康监测

《Frontiers in Plant Science》：AI driven multi modal deep learning system for wheat disease detection, yield prediction, and crop health monitoring

　　

可持续小麦种植面临挑战。农民亟需有关作物健康、病害传播和预期产量的实时信息。然而，他们经常使用缓慢、昂贵或缺乏交互性的工具。本项目开发了一种可行的解决方案。整个系统可在单张显卡上运行，无需大规模服务器集群。系统整合了麦田图像、印度农业记录、温室数据、收获统计以及NASA气象数据。研究人员将这些数据视为作物照片分析的不同“视角”，并尝试了多种轻量级计算机视觉模型。ConvNeXt-Tiny速度较慢，但可在较旧设备上运行，准确率为75%；EfficientNetB0识别小麦穗头的准确率达92%；AgroMark是一种将照片分析与农业元数据（土壤类型、降雨量等）相结合的混合方案，准确率提升至87%。将图像分析与注意力机制（CBAM）相结合，研究人员得以基于这些图像信息预测田间小麦产量，结果表明预测准确，R²分数达0.97。此外，研究人员开发了一种多功能检测器，可同时检测病害、胁迫、穗头数量和虫害。该检测器经过调整以应对不平衡的训练数据（某些病害常见，而其他病害罕见）。研究人员将所有内容集成到16 GB显卡中，花费大量时间确定哪些策略（更小的训练集、移除弱特征、调整损失函数）有效。在此过程中，研究人员遇到了现实世界的障碍，例如来自不同地点的照片并不总是匹配、错误标注的病害以及被忽视的稀有虫害。研究的分步说明、图表和代码均已公开。

## 论文解读

### 研究背景与存在问题

小麦为全球超过三分之一的人口提供粮食安全保障，是印度的战略作物。近年来，不稳定的降雨、高温胁迫事件和生物威胁使多个地区产量低于趋势预测，产量短缺迅速引发价格不稳定并威胁农业经济体的家庭收入。传统方法依赖植病专家进行田间巡查，通常每生长季仅进行2-4次调查，劳动密集、覆盖空间有限，且滞后于病虫害与非生物胁迫的传播速度。现有研究存在四个主要缺口：一是缺乏可在16 GB商用GPU上运行的可复现多模态端到端管道；二是病害数据集存在严重类别不平衡，少数类如Tan spot（241张）和stem fly（234张）仅占训练数据不足2%；三是表格产量模型常在训练测试分离前引入与目标相关的代理特征，导致R²虚高20-40个百分点；四是预测被视为终点，未将感知输出与强化学习决策代理关联。这些缺陷促使研究人员开发一个统一、资源高效且可复现的多模态小麦监测AI系统。

### 研究内容与结论

研究人员在Paperspace Gradient平台上开发并端到端实现了一个统一分析栈，整合三种互补模态：冠层图像用于叶部病害识别和穗头计数；FAOSTAT生产统计、印度管理统计、NASA POWER气候学、Eschikon温室传感器数据构成表格描述符；强化学习模拟器展示感知模块如何