《Crop Design》：A decision-level integration approach for detection and classification of leaf diseases in greenhouse tomato crops using deep learning and machine learning models
编辑推荐：
番茄叶片病害的准确分类对于减少产量损失和支持可持续农业实践至关重要。本研究提出了一种决策级集成方法，用于番茄作物植物检疫状态及土壤与环境条件的综合评估，将基于EfficientNetB0的病害分类与基于随机森林（Random Forest）的土壤及环境变量分析
番茄叶片病害的准确分类对于减少产量损失和支持可持续农业实践至关重要。本研究提出了一种决策级集成方法，用于番茄作物植物检疫状态及土壤与环境条件的综合评估，将基于EfficientNetB0的病害分类与基于随机森林（Random Forest）的土壤及环境变量分析相结合。该框架包含一个基于EfficientNetB0的深度学习模型，该模型经过微调，利用38,500张标注图像对十一种番茄叶片病害类别进行分类；同时包含一个随机森林模型，该模型基于2,880条记录进行训练，记录内容包括土壤pH值、电导率（electrical conductivity）、氮（N）、磷（P）、钾（K）、土壤湿度与温度，以及在受控温室条件下收集的环境和太阳辐射变量。两个模型的输出在决策层面通过定性决策级集成矩阵进行整合，从而能够识别病害发生率与土壤性质之间的关系，并将土壤性质划分为三个定性等级：缺乏（Deficient）、最优（Optimal）和过量（Excess）。深度学习模型取得了高性能，精确率（Precision）和召回率（Recall）均超过97%，F1分数（F1-score）超过98%，在视觉上相似的病害类别之间表现出极小的混淆。随机森林模型的总体精确率达到93.7%，在三个定性等级上表现出稳定且均衡的分类性能。此外，定性集成矩阵通过揭示土壤性质类别与特定叶片病害之间的一致性关联，验证了集成框架的有效性。总体而言，结果表明，视觉数据与生理数据的决策级集成提高了系统的可解释性，并增强了其预测植物健康风险的能力，使所提出的方法成为精准农业中有效的决策支持工具。
基于决策级集成方法的温室番茄叶片病害检测与分类研究解读
一、研究背景与意义
番茄（Solanum lycopersicum L.）是全球重要的经济作物，在哥伦比亚，温室番茄种植是粮食安全和农业经济的重要支柱产业，2023年产量达到896,316吨。然而，番茄生产受到由真菌、细菌和病毒引起的叶片病害的严重制约，这些病害会降低产量并损害果实品质。其中，早疫病（early blight）、晚疫病（late blight）、叶霉病（leaf mold）和花叶病毒病（mosaic virus）等最为关键，在严重条件下可导致产量损失高达100%，造成巨大的经济损失。
植物病害被定义为扰乱植物正常生理过程的改变，及时诊断对于可持续作物管理至关重要。由于叶片病害的晚期阶段会严重影响生产力，仅依赖目视检查往往不够充分。此外，一些病害在早期阶段不表现可见症状，这凸显了先进分析方法的需求。在此背景下，结合计算机视觉技术的机器学习（Machine Learning, ML）和深度学习（Deep Learning, DL）系统已成为自动、准确检测植物病原病害的有力工具。
尽管已有研究证明了深度学习技术在番茄叶片病害检测中的有效性，但大多数研究依赖于受控数据集中有限的变异性，这可能降低其在真实田间条件下的适用性。为解决这一局限，人工智能与物联网（Internet of Things, IoT）的集成成为一种有前景的方法。然而，目前仍缺乏能够将视觉病害检测与环境及土壤相关变量联系起来的集成系统，限制了其在真实农业场景中的有效性。因此，本研究旨在提出一种综合性的精准农业系统，将基于EfficientNetB0的叶片病害自动检测与基于随机森林算法的土壤和环境变量预测分析并行运行，并通过决策级集成实现视觉数据与土壤环境数据的关联分析，为高效可持续的番茄作物管理提供数据驱动的建议。
二、主要技术方法
研究人员采用了多变量方法，集成并行运行的深度学习与机器学习模型。深度学习模型基于EfficientNetB0架构，采用迁移学习策略，使用来自Kaggle平台的公开数据集（初始25,851张图像，经数据增强后共38,500张，涵盖11个病害类别）进行训练，并在哥伦比亚金迪奥大学（University of Quindío）实验温室采集的自有数据集（7,242张图像，涵盖健康、早疫病和晚疫病三类）上进行微调。机器学习模型采用随机森林（Random Forest）算法，基于2,880条传感器记录进行训练，数据采集自基于树莓派5（Raspberry Pi 5）构建的监测设备，集成了7合1土壤传感器（型号JXBS-3001-NPK-RS）、环境传感器（AM2305B）和太阳辐射传感器（RK200-04），覆盖土壤pH、电导率、氮磷钾含量、土壤湿度与温度，以及环境温度、相对湿度和太阳辐射等变量。两个模型的输出通过定性决策级集成矩阵进行整合，采用?2至+2的序数定性标度表示病害与土壤环境条件之间的关联方向和强度。
三、研究结果
3.1 病害检测——深度学习
基于EfficientNetB0的深度学习模型在番茄叶片病害检测与分类中表现出色。混淆矩阵分析确认了模型的高整体准确率，能够正确检测和分类全部11个叶片病害类别。模型在“健康”类别上取得了最高的真阳性率，正确分类647张图像中的579张，准确率达98.7%。部分视觉相似的类别之间存在轻微混淆，如早疫病偶尔被误分类为细菌性斑点病、晚疫病和壳针孢叶斑病，这主要归因于叶片形态中重叠的症状特征。模型在大多数病害类别上的真阳性率超过90%，展示了其可扩展性和鲁棒性。
精确率、召回率和F1分数评估结果显示，模型在所有评估类别上均达到97%以上的精确率、召回率和F1分数。番茄黄化曲叶病毒（Tomato Yellow Leaf Curl Virus）和番茄花叶病毒（Tomato mosaic virus）类别的精确率≥99%，召回率≥99%，F1分数≥99%，其中番茄黄化曲叶病毒类别实现了100%的精确率。健康类别的F1分数达99%，有效减少了健康叶片的误检。训练与验证曲线显示，训练精确率从58%上升至99%，验证精确率从38%上升至98%，训练损失从1.01降至0.01，验证损失从2.45降至0.09，训练与验证曲线在第6个epoch后收敛，表明模型有效学习了判别性特征且未出现过拟合。
3.2 土壤与环境变量模型——机器学习
随机森林模型在三个定性等级（缺乏、最优、过量）的分类中表现出色。混淆矩阵显示，“缺乏”等级实现了完美的分类精确率（95%）；“最优”等级表现接近完美，94个正确分类，但有4个错误分类为“过量”和1个错误分类为“缺乏”；“过量”等级难度较大，109个实际案例中仅103个被正确识别，6个被误分类为“缺乏”。模型整体性能达到96%的精确率和96.3%的F1分数。各等级中，“缺乏”类别精确率95%、召回率99%、F1分数97%（支持数116）；“过量”类别精确率95%、召回率94%、F1分数95%（支持数109）；“最优”类别精确率98%、召回率94%、F1分数95%（支持数99）。
基于基尼系数（Gini coefficient）的变量重要性分析显示，土壤pH是最具影响力的变量（17.2%），其次是电导率（14%），凸显了化学性质在决定作物状态中的关键作用。氮（N）和磷（P）的贡献值在9.8%至11%之间，而环境变量和湿度变量的贡献相对较低（8%至8.5%），表明土壤化学性质对模型预测性能的贡献大于环境变量。
3.3 叶片病害与生理分类等级之间的决策级集成
定性决策级集成矩阵揭示了番茄叶片病害发生率与土壤环境条件之间一致的、非随机的关联模式。真菌和细菌性病害在“过量”等级表现出弱和强的直接关联（+1和+2），而病毒和昆虫类病害主要与“缺乏”等级相关，该等级包括pH、电导率和养分水平低于参考阈值的情况。晚疫病、壳针孢叶斑病、细菌性斑点病、叶霉病、靶斑病和白粉病与“过量”等级呈强正相关（+2），表明其依赖高湿度、低有效辐射和土壤理化失衡的条件。早疫病、番茄花叶病毒、番茄黄化曲叶病毒和二斑叶螨与“缺乏”等级呈强直接关联（+2），与“最优”等级呈弱逆关联（?1），反映了这些病害与营养胁迫和亚优生长条件之间的密切关系。“最优”等级仅与健康状态呈强直接关联（+2），与十种叶片病害呈逆关联或中性关联，表明在最优条件下生长的植物对叶片病害具有更强的抵抗力。
四、讨论与结论
讨论部分指出，尽管两个模型均取得了高准确率，但仍存在若干关键局限性。深度学习模型的数据集包含的病害数量有限，研究结果对其他地理区域、环境条件、土壤类型和农业实践的适用性可能受限。传感器潜在的不准确性可能导致pH、电导率和常量营养素等关键变量的变异，影响随机森林模型的预测能力。定性集成矩阵的评分分配依赖于专家知识和农学背景，但其简单性便于识别叶片病害与土壤环境条件之间的相关关系。
研究结论表明，EfficientNetB0架构在番茄叶片病害自动检测与分类中表现出卓越性能，所有评估类别的精确率、召回率和F1分数均超过97%，并展现出对光照、纹理和采集条件变化的高度泛化能力。随机森林模型基于土壤和环境变量实现了作物土壤性质的稳健可靠分类，整体性能超过96%，并凸显了pH和电导率作为模型中最重要的预测因子。两个方法在决策层面的集成，通过叶片病理与土壤环境变量之间的定性关联分析，构成了本研究的主要创新贡献，揭示了将土壤和环境失衡与特定病害潜在易感性联系起来的一致模式。视觉和生理信息的决策级集成不仅提高了系统的可解释性，还增强了其预测植物健康风险场景的能力，使其成为精准农业中高效可持续决策的综合工具。
