《Fungal Genetics and Biology》：Optimized convolutional neural networks for real-time detection and severity assessment of early blight in tomato (
Solanum lycopersicum L.)
編輯推薦：
番茄早疫�。ㄓ� Alternaria alternata 引起）嚴重影響番茄產量。研究人員利用遷移學習優化 MobileNet 架構開展研究。結果顯示 MobileNet V3 Large 分類準確率達 99.88% ，F1 分數 0.996，推理時間 67 毫秒。該研究為精準農業提供實時解決方案。
在農業領域，番茄（Solanum lycopersicum L.）作為全球廣泛種植的高價值作物，為糧食安全和農業經濟立下了汗馬功勞。然而，番茄的生長之路卻充滿坎坷，各種病蟲害常常對其產量和品質發起 “攻擊”。其中，由鏈格孢菌（Alternaria alternata）引發的早疫病堪稱番茄的 “頭號大敵”。這種病害來勢洶洶，在嚴重情況下，能讓番茄產量銳減 100%，給農戶帶來巨大的經濟損失。而且它在番茄的各個生長階段都可能 “趁虛而入”，尤其是在收獲期，更是會大肆破壞，在葉片上留下黑色或棕色的病變痕跡，嚴重時導致葉片脫落、果實受損。
面對早疫病的威脅，傳統的診斷方法卻顯得力不從心。像人工肉眼檢查，不僅耗費大量人力，還很難做到及時、準確地判斷。實驗室分析雖然能更精準地識別病原體，比如通過顯微鏡觀察、病原體培養、生化檢測等手段，甚至利用科赫法則（Koch's postulates）來確認致病性，分子技術如聚合酶鏈式反應（PCR）及其變體定量 PCR（qPCR）、逆轉錄 PCR（RT-PCR）和內部轉錄間隔區（ITS）序列分析等也能高靈敏度、高特異性地檢測病原體，但這些方法要么耗時久，要么成本高，對于大規模的農田作業來說，并不實用。
隨著科技的發展，深度學習中的卷積神經網絡（CNNs）在植物疾病檢測領域嶄露頭角，一些預訓練的 CNNs 模型，如 AlexNet、VGGNet、ResNet50 等，在植物疾病分類上取得了不錯的成績，準確率超過 97%�？蓡栴}來了，針對田間獲取的番茄圖像進行疾病嚴重程度分級的研究卻少之又少。而且，現有的研究大多使用公開數據集，這些數據并不能真實反映田間的復雜情況。此外，傳統深度學習模型雖然強大，但計算量太大，對內存和處理器要求高，很難應用到資源有限的移動設備或邊緣設備上，無法滿足實時檢測的需求。
為了解決這些難題，來自 ICAR - 印度農業研究所（位于新德里）的研究人員展開了深入研究。他們希望借助遷移學習（transfer learning）和優化的 MobileNet 架構，開發出一個高效且通用的番茄早疫病檢測系統，用于精準評估病害嚴重程度，為農戶提供及時、有效的應對策略。研究成果發表在《Fungal Genetics and Biology》上。
在研究過程中，研究人員主要運用了以下關鍵技術方法：首先，構建了一個龐大且多樣化的圖像數據集，這個數據集包含 6451 張番茄葉片圖像，涵蓋了健康、低、中、高不同病害嚴重程度的葉片，并且這些圖像是在多種光照條件下采集的，以模擬真實的田間環境；其次，對四種 MobileNet 變體（MobileNet、MobileNet V2、MobileNet V3 Small 和 MobileNet V3 Large）進行微調（fine - tuned），通過對比評估它們在疾病嚴重程度分類上的性能，篩選出最優模型 。
下面來看看具體的研究結果：
- 訓練和驗證性能：研究人員將所有 MobileNet 模型的輸入圖像標準化為 224×224 像素，設置批量大小為 32，訓練 50 個周期，并采用早停法（Early stopping）來提高學習效率。結果顯示，MobileNet V3 Large 表現最為出色，其訓練準確率達到 99.91%，驗證準確率為 99.51%，訓練損失和驗證損失值最低，分別為 0.0041 和 0.0196。
- 分類性能評估：經過進一步測試，MobileNet V3 Large 在分類任務中脫穎而出，其分類準確率高達 99.88%，F1 分數達到 0.996，而且推理時間僅需 67 毫秒。這一卓越的性能使得它非常適合用于實時物聯網（IoT）應用，比如基于智能手機的病害監測、自動化精準噴藥以及智能農業系統等。
- 病原體確認：為了進一步驗證患病樣本，研究人員采用 ITS 序列分析，結果發現與 NCBI 數據庫中已知菌株的相似度超過 98%，從而確認了病原體為 Alternaria alternata。
綜合研究結論和討論部分，該研究意義重大。它成功填補了精準農業領域的關鍵空白，提供了一種輕量、高效且非破壞性的實時病害嚴重程度評估方法。MobileNet V3 Large 憑借其出色的性能，能夠幫助農戶快速、準確地判斷番茄早疫病的嚴重程度，進而及時采取針對性措施，減少農藥的浪費，降低農作物損失。這一研究成果不僅可以應用于智能手機、精準噴藥系統和物聯網智能設備，助力精準農業發展，還為其他農作物病害檢測提供了新思路和方法，推動了人工智能和邊緣計算在現代農業中的應用，為農業的智能化轉型奠定了堅實基礎。
