小数据深度学习方法用于田间病害检测

早期检测作物病害对于防止收成损失和提高最终产品质量至关重要。在此背景下，机器学习与近距离传感器的结合正日益成为一种高效有效的检测技术。例如，该机器学习方法已被用于土豆作物——检测晚疫症（Phytophthora infestans），以及葡萄酒府作物——检测褐枯病。然而，大多数这些在专业文献中发现的AI模型都是使用实验室中逐叶子拍摄的图像开发的，这不代表田间条件，限制了其适用性。本研究提出首个能够通过分析直接在田间捕获的高分辨率RGB图像，检测土豆作物晚疫症轻微症状的机器学习模型，克服了文献中其他方法的局限，展现了实际应用潜力。我们的方案利用分块概念，充分利用高分辨率图像的优势，基于深度卷积神经网络并采用焦点损失函数，使模型能够关注田间条件下出现的复杂模式。此外，我们还提出一种数据增强方案，便于使用少量高分辨率图像训练这些神经网络，实现小数据范式下的模型开发。我们的模型在测试数据集中正确检测了所有晚疫症案例，展现出在识别早期症状方面的高水平准确性和有效性。这些鼎舞人的结果强化了利用机器学习进行作物和害虫早期检测潜力，使我们能够更好地治疗并减少其对作物的影响。