基于深度学习的马铃薯生产系统病虫害检测新方法

为什么马铃薯健康事关重大

马铃薯是全球重要的主食之一，富含能量和营养，对小农户与大型食品供应链都至关重要。然而其叶片容易被病害和啃食性昆虫损伤，这些问题常在肉眼察觉之前悄然减少产量。本研究探讨了由人工智能引导的智能相机如何实时监测马铃薯田，及早标记病株，帮助农户在减少不必要喷洒的同时保护产量。

在真实田间识别叶片问题

在真实田间环境中，识别马铃薯植株的问题比想象的要困难。不同病害起初可能相似，微小昆虫常藏于重叠叶片下或深处阴影中。农户通常需要专家诊断，这既费时又昂贵，即便是受过训练的眼睛也可能错过早期征兆。研究人员着手建立一个自动系统，分析普通彩色田间照片，定位出现的病斑和害虫——目标是在田间真实场景中工作，而非整洁的单叶实验室照片。

构建反映田间状况的丰富图像库

为使系统可用，团队首先需要一组反映农田真实情况的图像。他们在巴基斯坦的两个研究农场，于冬季和夏季生长季节采集了 2,688 张图片。相机安置在植株上方，使每张图像同时包含叶片、土壤、邻近植株及稻草或管道等杂物。在剔除无症状图像后，保留了 2,403 张图片，展示了四类主要威胁：疫病（blight）、叶斑病、叶卷病毒症状，以及科罗拉多马铃薯甲虫的幼虫和成虫。植物病理专家仔细地为每个病斑和甲虫绘制了边框，以便计算机从这些示例中学习。

教计算机去发现病斑和甲虫

团队训练了数个现代目标检测模型来识别这些问题。这些模型（如 YOLO 和 Faster R-CNN）不仅判断“病”或“健康”，还会为每个病斑或每只昆虫画出边框。在训练前，图像经过清理、调整大小，并随机翻转、旋转和亮度变化，以模拟不同的观察角度和光照条件。核心模型为名为 YOLOv8-medium 的版本，它一次性扫描每张 640×640 像素的图像，利用其分层结构学习色彩和纹理模式，从而将健康叶组织与病斑及甲虫体辨别开来，即便对象很小或部分被遮挡。

数字侦察的表现如何

在与训练数据分开的数千张测试图像上，YOLOv8-medium 对病斑和甲虫的平均精度（mean average precision）约为 98%。在五折交叉验证中也表现稳定，表明结果并非单次数据划分的侥幸。其他版本的 YOLO 与较老的 Faster R-CNN 模型在准确性或速度上不及该中等版本。YOLOv8-medium 在速度与准确性之间取得了最佳平衡，在现代显卡上处理一张图像仅需几毫秒。该系统对疫病和叶斑等常见病害表现尤为出色，而非常小或严重遮蔽的甲虫仍然最难检测。

这对农户意味着什么

对非专业人员而言，核心信息很明确：一台连接了经训练模型的相机如今可作为不知疲倦的田间侦察员，以高可靠性监视马铃薯叶片的主要病害和关键害虫。研究表明，该系统速度足以支持实时使用，例如安装在拖拉机、无人机或手持设备上，并能给出故障点的精确位置。作者也提醒，他们仅在一个地区的两个农场进行了测试，且未涵盖干旱等非病害胁迫，因此在广泛应用前还需更多工作。但研究结果表明，智能视觉系统有朝一日可帮助农户仅在需要的时间和地点施用防治措施，从而保护收成并减少对环境的影响。

引用: Abbas, A., Rehman, S.U., Mahmood, K. et al. A novel approach for disease and pests detection in potato production system based on deep learning. Sci Rep 16, 15672 (2026). https://doi.org/10.1038/s41598-026-45575-1

关键词: 马铃薯病害, 农作物害虫, 深度学习, 目标检测, 精准农业