基于深度学习模型的棉花叶部病害分类研究及其在智慧农业中的应用

《Agriculture & Food Security》：Cotton leaf disease classification using deep learning models for smart agriculture

　　

农业是巴基斯坦的重要经济部门，对民生和国内生产总值（Gross Domestic Product, GDP）贡献显著。棉花是主要作物，其生产必须具有可持续性，但环境变化、虫害侵扰和种植成本上升对此构成挑战。该研究在智慧农业和可持续实践背景下，旨在论证先进人工智能（Artificial Intelligence, AI）技术如何帮助克服这些挑战，并以棉花作物病害检测和分类为重点改善棉花管理。为此，该研究比较了多种强效模型，包括卷积神经网络（Convolutional Neural Network, CNN）架构中的ResNet、GoogleNet、MobileNet、AlexNet、VGG16和VGG19，以及若干Transformer变体，包括视觉Transformer（Vision Transformer, ViT）、移位窗口Transformer（Shifted Window Transformer, Swin Transformer）、CNN与Transformer混合模型（CNN Transformer）、数据高效图像Transformer（Data-efficient Image Transformer, DeiT）和金字塔视觉Transformer（Pyramid Vision Transformer, PVT），用于棉花叶部病害分类，尤其针对受毛虫（Caterpillar）、除草剂灼伤（Herbicide Burn）、叶片杂色（Leaf Variegation）、黄萎病（Verticillium Wilt）侵害的叶片和健康叶片。由于病害影响棉花作物，亟需为可持续农业实践建立准确、高效且可复现的诊断技术。该研究分析了采集自巴基斯坦旁遮普省巴哈瓦尔普尔的棉花叶片图像，以确定模型根据可见症状正确分类病害的能力。通过数据标注和增强处理后的评估流程，确定了模型的准确率、精确率、召回率和F₁分数。研究显示，ViT在非标注数据集上达到78.40%的准确率，其次为DeiT（77.00%）和Swin Transformer（75.40%）；在标注数据上，ViT的准确率为79.20%，Swin Transformer为77.20%，DeiT为74.80%。然而，k折交叉验证结果（k=5、10和15）显示，Swin Transformer在非标注和标注数据集上均持续优于其他模型：在非标注数据集的15折中获得最高准确率90.83%，ViT也表现出较高准确率，平均准确率超过79%；在标注数据集的15折中，Swin Transformer取得最高准确率98.45%，ViT同样具有竞争力，平均准确率超过82%。这些结果表明ViT、Swin Transformer和DeiT在棉花叶部病害分类中具有强大能力，特别是在标注和非标注数据集上的适应性和精确性。VGG16和VGG19虽表现出竞争力，但准确率落后。此外，模型训练强调了高质量标注数据集对实现精确率和召回率平衡的重要性。该研究结果将补充AI诊断工具在精准农业和智慧农业中的整合，从而改善当前病害管理实践，促进可持续实践和可持续作物生产体系。该研究与多项可持续发展目标（Sustainable Development Goals, SDGs）一致，包括SDG 2（零饥饿）、SDG 12（负责任消费和生产）和SDG 15（陆地生物）。

研究背景与问题
农业是巴基斯坦经济的重要支柱，棉花被称为“白色黄金”，在国家出口和国内生产总值中具有重要地位。然而，气候变化、土壤退化、异常天气、虫害和病害不断威胁棉花产量与品质。毛虫侵害、除草剂灼伤、叶片杂色和黄萎病等是影响棉花的主要病害。传统的人工田间观察与专家诊断耗时费力、