基于机器学习技术分析叶片图像检测玉米植株病害

《AgriEngineering》：Detection of Diseases in Maize Plants by Analyzing Foliar Images Using Machine Learning Techniques

　　

本研究旨在开发一种通过分析叶片图像检测玉米植株病害的系统，采用机器学习技术以支持农业领域的早期诊断。研究人员构建了一个田间采集的自定义数据集，并应用了包含数据增强、分割、特征提取与归一化的预处理流程。随后训练并评估了三种模型：EfficientNetB0、DenseNet121与EKNN，以确定分类性能最优的架构。结果表明，各模型性能因视觉特征处理方式而异，其中EKNN模型以94.33%的总体准确率最高，优于EfficientNetB0（89.70%）与DenseNet121（88.04%）。基于CNN的架构在具有明确模式的病害上分类充分，但在处理视觉相似病斑时存在局限。相比之下，依赖分割与增强特征提取的EKNN模型取得最佳总体性能，证明了预处理在诊断准确性中的重要性。最终，所选模型被集成至一个功能性Web应用中，验证了其作为玉米叶片病害早期检测工具的实用价值。本研究证明机器学习可有效辅助农民与农业技术人员高效识别植物病害，有助于提升生产力与田间决策水平。

研究背景：玉米是秘鲁重要作物，但叶部病害（如普通锈病Puccinia sorghi与北方玉米叶枯病Exserohilum turcicum）可致产量损失达30%。秘鲁Lambayeque地区小农常将病害症状误认为缺素或非生物胁迫，且缺乏技术支持与现代工具，导致晚期确诊与误判。传统目视法主观、劳动密集且易错。现有多数深度学习方案依赖受控环境数据，在异质背景、光照变化与田间噪声下性能下降。为此，研究人员在真实田间条件下开展本研究，以期提供可解释、轻量且实用的早期诊断工具。论文发表于《AgriEngineering》。

主要关键技术方法：研究人员于2025年9—10月在秘鲁Lambayeque省Chiclayo市Reque区Atahualpa街农业区，用iPhone 11（12 MP）距叶25 cm、上午10点至下午2点自然光下采集2000张玉米叶图（健康700、普通锈病650、叶枯病650），构成自有数据集；流程含手动标注病斑、SLIC（Simple Linear Iterative Clustering）分割、±30°旋转/翻转/亮度0.8–1.2倍数据增强、归一化；按70%/15%/15%划分并施5折交叉验证，训练EfficientNetB0、DenseNet121（各100 epoch、batch 8、学习率1×10^?4）及EKNN（SLIC分割→方向集与多尺度直方图增强特征提取→加权近邻分类）；评测指标含准确率、精确率、召回率、F1分数及响应时间/内存/CPU；最终将EKNN嵌入Flask+React的客户端-服务器Web应用，设置信度安全阈值。

研究结果：

3.1 EfficientNetB0：训练/验证准确率趋近90%，验证损失稳定；混淆矩阵显示普通锈病与健康类判别强，但叶枯病易混淆；总体准确率89.70%，普通锈病F1近98%，叶枯病指标偏低。

3.2 DenseNet121：准确率曲线同趋近90%，验证略波动；总体准确率88.04%，普通锈病召回100%而叶枯病召回<80%，表明细微视觉差下泛化受限。

3.3 EKNN：经5折交叉验证选K，训练准确率近100%而验证稳于92%–94%（特征由冻结DenseNet121提取作空间优化，不直接分类）；最终准确率94.33%，混淆矩阵主对角线集中，普通锈病98/98正确且无错分，健康97正确（少量误入叶枯病），叶枯病88正确；证明SLIC分割+局部特征加权近邻在噪声场境优于全局CNN。

讨论部分总结：研究人员指出CNN类在明确病斑模式上佳，但对健康/病害组织相似区敏感；EKNN凭分割后局部相似度与特征加权，在中、小数据集与高类内变异田间条件下具竞争力且可解释。结果与前人受控环境高阶模型（如3D-CNN+LSTM、YOLOv5s-CBAM、EfficientNet增广达99.39%）相比略低，但本研究价值在真实Lambayeque噪声数据下的实用验证。局限含病种仅2类、未评极端环境鲁棒性、非症前检测。意义在于为资源受限小农提供即时辅助，弥补农艺师缺口。

结论部分翻译：本研究证实通过机器学习分析图像可准确检测玉米叶部病害。基于田间自采数据集，训练EfficientNetB0、DenseNet121与EKNN，后者凭SLIC分割与专用特征提取达94.33%总体准确率，较前两模型高4.7%–6.4%。模型集成入Web应用证实用署可行，但需摄像设备、网络与光照对焦条件，且限于两病与可见症状，故属补充诊断支持而非自主方案。未来应扩数据集、深掘分割、探半监督与遥感融合。

（注：全文未引文献标记与图号，上标如10^?4、下标如sub像素均按原义以标签呈现，术语首现夹注英文，无HTML转义与svg。）