利用深度学习模型对果实病害进行早期检测与分类：迈向可持续农业与更高食品质量

为何早期发现病果至关重要

淤伤或斑驳的果实不仅是外观问题——它们可能预示着会大幅削减产量的植物病害，导致水资源和化学品的浪费，并在不知不觉中推高食品价格。全球范围内，农民仍主要依靠肉眼判断果实是否健康，这一过程既缓慢又容易出错。本研究探讨了现代人工智能如何将简单的果实照片转化为早期预警系统，帮助农民保护作物、减少损失并提供更高质量的食品。

从智能手机照片到智慧农田

研究人员着手构建能够仅通过分析叶片和果实图片自动识别常见果树病害的工具。他们关注六种广泛种植的作物——苹果、葡萄、芒果、香蕉、番石榴和橙子，并收集了数千张包含健康与患病样本的图像。通过教计算机在人工尚未察觉之前识别细微的斑点、变色和质地变化，目标是为农田提供快速、客观的植株健康反馈。

教计算机读取果实的“指纹”

为此，团队使用了深度学习——人工智能的一个擅长从图像中发现模式的分支。他们没有手工编写诸如“寻找棕色圆点”之类的规则，而是训练了五种不同的神经网络结构——即 CNN、DenseNet121、EfficientNet B3、Xception 和 ResNet50——让模型直接从图像数据中学习。在训练之前，他们对图像进行了清理和预处理：调整大小、校正颜色，并使用旋转和翻转等手段生成额外的训练样本。这一步图像“修饰”有助于模型学习疾病的重要视觉特征，同时忽略背景杂乱或光照变化等干扰。

六种水果、众多病害、同一核心方法

相同的总体方案被应用于六个独立的案例研究，每个案例围绕一种具体水果及其主要病害展开。例如，橙子图像包括健康果实以及柑橘溃疡、黑斑和黄化病等病例。葡萄类别包含黑腐病和叶斑病；芒果和番石榴覆盖更广的病害范围；香蕉和苹果则聚焦于若干主要的叶片和果实感染。研究人员为每种水果训练了全部五个深度学习模型，然后评估每个模型将新、未见图像正确归入相应病害类别或“健康”类别的准确性。这使得能够在真实条件下公平比较各个模型在可靠性和效率方面的表现。

数字检测员的表现如何

这些数字果树医生表现出令人瞩目的准确性。在许多测试中，表现最好的模型能正确分类超过100张图像中的95张。名为 EfficientNet B3 的模型尤为突出，对葡萄和苹果病害的识别准确率约为99%，且计算资源利用高效。ResNet50 在芒果和番石榴上表现尤其良好，而更简单的 CNN 在橙子数据上表现最佳。即便在更困难的样本集中，例如复杂的香蕉或番石榴数据集，也至少有一种模型达到了94–96%以上的准确率。该研究还将这些结果与先前研究进行了比较，发现经过细致调优并借助周到图像预处理的模型总体上可与或优于以往的方法。

这对农业和食品意味着什么

对于农民而言，这些结果表明，一台相机配合训练好的深度学习模型很快就能充当全天候的植物健康助手，在问题尚可挽救时就发出警报，从而保护果树和葡萄藤而不仅仅是挽回剩余收成。早期且准确的检测使得只对真正需要处理的植株进行治疗成为可能，从而减少农药浪费并保护土壤与水资源。随着时间推移，此类系统可通过将日常图像转化为快速、可信赖的健康检查，支持更可持续的农业——更高的产量、更少的浪费以及市场上更优质的果品。

引用: Alrashdi, I., Sharawi, M., Ali, A.M. et al. Utilizing deep learning models for early detection and classification of fruit diseases: towards sustainable agriculture and enhanced food quality. Sci Rep 16, 8167 (2026). https://doi.org/10.1038/s41598-026-38259-3

关键词: 果实病害检测, 农业中的深度学习, 植物健康监测, 计算机视觉, 可持续农业