基于深度学习的田间葡萄叶蝉灼伤症状自动检测与基准评估

《Smart Agricultural Technology》:Automatic detection of grapevine hopperburn symptoms using deep learning under field conditions

【字体: 大 中 小 】 时间:2026年09月21日 来源:Smart Agricultural Technology 7.1

编辑推荐:

  绿色叶蝉(green leafhoppers)是葡萄园的重要害虫,可引发灼伤症状(hopperburn)。叶片的目视监测耗时且劳动密集。研究人员开发了首个用于灼伤检测的田间数据集和评估框架。在所测试的模型中,RF-DETR取得了最高的整体性能。不正确的预测大多

  
绿色叶蝉(green leafhoppers)是葡萄园的重要害虫,可引发灼伤症状(hopperburn)。叶片的目视监测耗时且劳动密集。研究人员开发了首个用于灼伤检测的田间数据集和评估框架。在所测试的模型中,RF-DETR取得了最高的整体性能。不正确的预测大多为症状类别之间的误分类。
葡萄叶蝉灼伤症状的田间自动检测:数据集构建、模型评估与泛化策略研究

**一、研究背景与意义**

葡萄产业在全球经济运行中具有重要地位,但叶蝉类害虫对欧洲葡萄园构成严重威胁,其中绿小叶蝉Jacobiasca lybica与Hebata (= Empoasca) vitis因种群繁殖潜力大、危害严重而尤为突出。其若虫和成虫刺吸叶片韧皮部汁液,导致叶片边缘黄化、脉间变色乃至枯死,即灼伤症状(hopperburn)。当前生产实践中,监测主要依靠黄色粘虫板诱集成虫和人工目视检查叶片,前者与植株受害程度无直接关联,后者在大面积葡萄园中极其耗时费力。此外,灼伤症状与病毒病(如葡萄卷叶相关病毒GLRaV)、植原体病害(如金黄花叶病)、营养缺乏和除草剂药害等表现相似,进一步增加了诊断的主观性和监测的复杂度。近年来,基于深度学习的目标检测技术为病虫害自动化监测提供了新途径,但已有研究多依赖单一或同质数据集,模型在真实田间条件下的泛化能力存疑。因此,构建一个多品种、多时相、多环境条件下的田间数据集并建立严格的评估框架,对于推动叶蝉灼伤自动化检测技术实际落地具有迫切意义。

**二、研究内容与核心结论**

研究人员于2021和2022年生长季在意大利撒丁岛23个商业葡萄园中采集了2877幅带症状叶片的RGB图像,覆盖15个红白葡萄品种,建立了首个专门用于叶蝉灼伤检测的田间数据集。研究设计了三种数据集划分策略,即随机划分(random_dataset)、品种-葡萄园独立划分(partitioned_dataset_4)以及将两个早症类合并后的三分类划分(partitioned_dataset_3),并系统评估了YOLOv5、YOLOv11和RF-DETR三种目标检测模型。结果表明,随机划分下模型性能最高(整体macro-mAP为0.899–0.975),而独立划分下性能显著下降(整体macro-mAP为0.517–0.678),且主要误差来源于症状类别之间的误分类而非症状检测失败;将视觉相似的早期症状类别合并后性能明显回升。RF-DETR在所有划分策略下均表现最优。研究首次为田间条件下叶蝉灼伤检测提供了多品种、多时相的基准数据集和品种无关的严格评估框架,证实了在实际葡萄园环境中实现稳健灼伤检测的可行性,并为精准农业中的自动监测技术开发提供了基础。

**三、主要关键技术方法**

样本队列来源为2021年6–10月和2022年7–8月在意大利撒丁岛23个受叶蝉侵害的商业葡萄园,覆盖15个易感红白葡萄品种,由昆虫学专家使用商用智能手机在自然光照条件下拍摄叶片图像,共获得316幅(2021年)和2561幅(2022年)带症状图像。主要方法包括:专家使用VGG图像标注器手工绘制边界框并按品种类型和症状强度标注为白早、白重、红早、红重四类;采用YOLOv5、YOLOv11(一阶段卷积检测器)和RF-DETR(基于变换器的检测器)三种模型进行迁移学习训练,使用默认数据增强策略;以IoU阈值50%判定检测正负样本,计算精确率(Precision)、召回率(Recall)、F1分数、平均精度(AP)和宏平均平均精度(macro-mAP);并用Fisher精确检验结合Holm校正进行统计比较。

**四、研究结果**

**3.1 昆虫鉴定**
研究人员从监测区域黄粘板上收集雄虫标本并制作115张显微玻片,通过外生殖器形态学特征鉴定,确认所有可鉴定个体均为J. lybica,其抱器端部具弯曲锯齿状结构,尾节突具端叶和两根端突;调查葡萄园中未记录到H. vitis雄虫。

**3.2 症状检测**
**3.2.1 Random dataset**
在随机划分策略下,三种模型均取得较高性能。RF-DETR的整体性能最优(macro-mAP=0.975),对多数类别包括最难的白早类均获最高AP;YOLOv5和YOLOv11的整体macro-mAP分别为0.944和0.899。混淆矩阵显示,错误主要来自与背景相关的误检(FP)和漏检(FN),类别间误分类占比较少。该结果表明在训练与测试图像随机同源的条件下,灼伤症状能够被准确检测。

**3.2.2 Partitioned dataset with four classes**
在保证训练集与测试集不共享同一品种-葡萄园组合的独立划分策略下,所有模型性能均较随机划分显著下降,整体macro-mAP下降30–38个百分点。RF-DETR仍保持最高(macro-mAP=0.678),YOLOv5为0.584,YOLOv11为0.517。混淆矩阵显示,大部分错误源于症状类别间的误分类而非对症状的漏检;单类检测模式下所有模型AP均高于0.96。据此可判断,模型能可靠识别灼伤症状,但对症状类别(尤其白色早期与白色严重)的区分能力不足。

**3.2.3 Partitioned dataset with three classes**
将白色早期与红色早期合并为单一早期症状类后,三种模型的整体macro-mAP较partitioned_dataset_4提高18–26个百分点,其中RF-DETR达0.859,合并后的早期症状类AP达0.859。单类检测模式下AP仍高于0.95,表明剩余误差仍主要源于视觉相似类别间的分类混淆,而非漏检症状本身。

**3.3 统计比较**
经Fisher精确检验和Holm校正,随机划分条件下模型的总体精确率、召回率和F1分数均显著优于两种独立划分(多数比较p<0.001),且效应量大;独立划分中最显著的性能下降集中在白色严重和早期症状类别上,而红色严重类在各模型和划分下均保持高而稳定的精确率和召回率。

**3.4 整体比较**
对所有模型和划分策略的综合比较表明,数据集划分方式对检测性能的影响大于目标检测架构的选择。RF-DETR总体性能最高,YOLOv11最低,但三种模型对不同评估策略的响应趋势一致,这一致性进一步说明独立划分框架更能反映模型在真实田间条件下的泛化能力。

**五、讨论总结与研究结论**

讨论部分指出,独立划分下性能下降主要由视觉相似症状类别间的误分类引起,而并非症状检测失败,因为在单类检测模式下所有模型AP均超过0.96。这一发现具有重要实践意义:在虫害监测场景中,即使症状分类不完全准确,只要检测器能正确识别灼伤症状即可支持早期预警,因此单纯基于类别精确度指标可能低估该检测系统的实用性。与已有葡萄病害检测研究相比,本工作首次建立了多品种、多时相、多农艺条件下的田间叶蝉灼伤数据集,并采用品种-葡萄园独立划分的严格评估策略,克服了以往研究中因数据同质导致模型泛化能力被高估的问题。讨论还强调,数据集扩充至更多葡萄种植区域、纳入无虫害对照图像以及视觉相似的非生物损伤图像,将有助于进一步提升模型诊断特异性和跨区域可迁移性。研究结论为:本研究建立了首个多时相、多品种田间数据集和严格的基准评估框架;随机图像划分得到的高性能不能反映真实田间条件,而品种-葡萄园独立划分所得性能下降证实了现实评估协议对模型泛化估计的必要性;在真实评估条件下,检测器能稳健检出灼伤症状,多数残余错误源于症状类别判别而非症状检测;该结果支持在精准葡萄栽培中采用严格的基准测试策略以开发可泛化的计算机视觉工具。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号