《AgriEngineering》：Lightweight CNN-Based Computer Vision for Early Detection of Monilinia spp. and Taphrina deformans in Peach Crops Under Real Field Conditions
编辑推荐：
褐腐病（Monilinia spp.）与缩叶病（Taphrina deformans）是影响桃（Prunus persica L. Batsch）生产的主要真菌病害，热带高地果园中缺乏经验证的基于人工智能（AI）的诊断工具。研究人员提出一种紧凑卷积神经网络（C
褐腐病（Monilinia spp.）与缩叶病（Taphrina deformans）是影响桃（Prunus persica L. Batsch）生产的主要真菌病害，热带高地果园中缺乏经验证的基于人工智能（AI）的诊断工具。研究人员提出一种紧凑卷积神经网络（CNN，3658个可训练参数），在果实与叶片分类上采用相同架构，集成背景去除预处理流水线，并在哥伦比亚Cómbita与Choachí四座果园的800张原位图像上通过分层5折交叉验证评估。该架构在果实上平均准确率82.8%、叶片95.3%，受试者工作特征曲线下面积（AUC）分别为0.87与0.98，训练模型占用约100 KB，支持存储与带宽高效部署。在与ImageNet预训练的MobileNetV3-Small和MobileNetV2相同协议下基准测试，所提架构参数少257倍仍匹配或超越MobileNetV3-Small的叶片分类表现，推理延迟可比或更低。据研究人员所知，这是首个在真实田间条件下同时检测桃树两种病原体的经验证系统，结合紧凑可部署架构与消融验证的预处理流水线，并部署于DurAPP网络平台，为热带高地小农提供低占用诊断工具。
研究背景方面，植物病害全球造成20%—40%产量损失，桃树易受褐腐病（Monilinia spp.）与缩叶病（Taphrina deformans）侵害，哥伦比亚Boyacá省占国产桃37.79%，但热带高地果园温湿波动、地形异质、背景杂乱，传统人工巡检主观且难以早期干预，现有深度学习模型多依赖算力与受控数据，缺田间轻量验证。为此，研究人员开展面向资源受限桃园的真实田间图像诊断研究。
关键技术方法上，数据来自哥伦比亚Cómbita（2600 m海拔）与Choachí（1800 m海拔）四座商业桃园、跨三个产季智能手机拍摄的800张原位图像，果实与叶片各400张（健康/染病1:1）。预处理含EXIF定向校正、rembg背景去除、RGBA转RGB、双三次重采样至统一尺寸、轮廓叠加仅作后端可视化不进模型；采用同一紧凑CNN（1标准卷积块+3深度可分离卷积块，8—16—32—64滤波器，全局平均池化替代全连接，丢弃率0.5，约3658参数），Adam优化器、分类交叉熵、10轮训练、分层5折交叉验证，并以MobileNetV3-Small、MobileNetV2冻结骨干微调头作基准，SqueezeNet从零训练失败弃用。
研究结果部分，摘要与引言已阐明系统达到果实82.8%（AUC 0.87）、叶片95.3%（AUC 0.98），模型约100 KB，DurAPP服务端推理果实60.7—68.1 ms、叶片同区间，叶任务超MobileNetV3-Small、近MobileNetV2且快40%，果任务预训练骨干更高（MobileNetV2 94.8%）。材料方法中数据集分果实/叶片子集各400张，预处理四步中轮廓检测仅后置解释用；CNN架构去除批归一化因小批量统计不稳；5折交叉验证果实82.8%±CI、叶片95.3%±CI。预处理消融显示去背景对果实均值持平但折间标准差自3.66%降至0.94%、叶任务均值升5.8点且方差大降，证明非背景伪影驱动。Grad-CAM显示叶模型注意力集中于卷曲变色区，果模型误检时注意力落分割边界外缘，解释部分假阳性。讨论指出叶病形态显著故精度高，果病褐斑与机械伤混淆故AUC略低；轻量架构在存储（100 KB vs 4.1/9.2 MB）、延迟、统一维护上胜出，果任务若不计资源则MobileNetV2更准；局限含仅两市镇、产季类不平衡致不能留一季验证、200每类样本较小、仅二分类未分Monilinia种、需服务端在线、非亚临床早期。结论重申首套热带高地桃树双病原田间验证系统，紧凑CNN在叶任务以1/257参数匹敌或胜出，DurAPP已部署，未来扩区域、做边端离线、种级鉴别与高光谱亚临床检测。
讨论部分总结：研究人员强调成果属工程与应用导向而非纯算法创新，价值在从三产季田间采集、消融预处理到DurAPP端到端落地；指出交叉验证未控产季相关混杂，需未来按果园留一验证；轮廓RGB阈值不进分类器故无标签泄漏；SqueezeNet从零不收敛印证小数据需预训练初始化；果模型假阳性源于分割边界残影可作后续改进点。结论翻译：本研究证实紧凑定制CNN在真实田间检测桃树褐腐病与缩叶病可行，四目标达成——建800图数据集、验预处理流水线、5折交叉得果82.8%/叶95.3%、DurAPP部署；据所知系热带高地首套双病原同时检测验证系统；第二贡献为量化效率，叶任务以257倍少参匹敌或超MobileNetV3-Small、与MobileNetV2差1.5点内且延迟更低，果任务预训练骨干更准反映表征优势；服务端推理使终端无需专用硬件，整体推动小农可用诊断工具转化。论文发表于《AgriEngineering》。
