【人工智能】LeafConvNeXt：为无人农业的未来强化植物病害分类

GitHub：https://github.com/754131799/LeafConvNeXt

收稿日期：2023年7月21日；修回日期：2024年10月19日；录用日期：2025年2月19日。

作者团队：

东北大学（Northeastern University）

学院：医学院生物信息工程学院

地点：辽宁省沈阳市

作者：Feifei Lu, Haonan Shangguan, Zheng Yan, Tianshuo Yuan, Yang Yang, Hongyu Wang, Weiming Xie, Zhaomin Yao

北部战区总医院（General Hospital of Northern Theater Command）

科室：核医学科

地点：辽宁省沈阳市

作者：Feifei Lu, Guoxu Zhang, Zhiguo Wang, Zhaomin Yao

上海交通大学医学院机器人研究所（Institute of Medical Robotics, Shanghai Jiao Tong University）

作者：Yizhe Yuan

动机

1. 背景与问题
   • 全球人口增长对可持续农业的需求迫切，植物病害（尤其是叶片病害）导致作物减产（全球损失约16%），传统检测方法（如实验室分析）准确但耗时、资源密集，难以大规模应用。
   • 现有公共数据库稀缺，小样本罕见病害检测困难，且传统机器学习方法（如颜色、形状特征提取）性能有限，AI模型的解释性、计算效率和部署适应性不足。
2. 研究目标
   • 开发高效、高精度的深度学习模型（LeafConvNeXt），实时检测叶片病害，提升作物产量并减少经济损失。
   • 提升模型可解释性（通过LayerCAM可视化）、低计算需求及在资源受限环境（如无人农场）的适应性。

核心方法

1. 模型架构
   • Backbone: 基于ConvNeXt，结合组卷积（group convolution）和密集连接，增强局部与全局特征提取能力。
   • Neck: 全局平均池化（Global Average Pooling）压缩特征图，减少过拟合并提升可解释性。
   • Head: 线性分类器（LinearClsHead）输出52类病害分类，使用标签平滑损失（Label Smoothing Loss）缓解过拟合。
2. 创新点
   • 高解释性: 集成LayerCAM可视化技术，定位病害区域，增强决策透明性。
   • 高效特征融合: 结合低层（边缘、纹理）与高层（语义）特征，支持迁移学习和新病害子类快速适配。
   • 优化策略: 采用AdamW优化器（结合L2正则化），动态调整学习率（余弦退火算法），处理类别不平衡。

实验结果

1. 性能对比
   • LeafConvNeXt在52类病害分类中达到99.68%准确率，显著优于对比模型（如VGG16: 98.56%, MobileNetV3: 98.03%）。
   • 其他指标：敏感性（99.56%）、特异性（99.99%）、F1分数（99.28%），参数量（28.59M），计算效率优于大模型（如VGG16参数138M）。
2. 迁移学习验证
   • 预训练模型（ImageNet）较非预训练模型表现更优（准确率99.68% vs. 99.37%），学习效率更高。
3. 收敛性分析
   • 模型在80轮训练后收敛，标签平滑损失有效缓解过拟合，提升泛化能力。
4. 误分类分析
   • 混淆矩阵显示主要误分类集中于同类作物不同病害（如玉米叶枯病与灰斑病、番茄细菌斑与靶斑病），因早期症状相似性导致。

对比算法

对比包括传统机器学习（KNN、SVM）和深度学习模型（XCiT、ShuffleNet、MLP-Mixer、EdgeNeXt、ViG、VGG16、MobileNetV3、HorNet）。LeafConvNeXt在所有指标（准确率、F1分数、参数量）上均最优，尤其在小模型（如EdgeNeXt 1.33M参数）和大模型（VGG16）间取得平衡。

数据集

1. 来源与规模
   • 数据集来自Plant Disease Expert（Globose Technology Solutions），包含199,665张图像，覆盖56类病害，筛选后保留52类（每类≥100样本）。
   • 图像分辨率范围100×100至3120×4160，多数为256×256。
2. 预处理
   • 训练集与测试集按9:1划分，数据增强（旋转、缩放、平移）处理样本不足类别（<500样本），随机采样平衡类别分布。

改进空间

1. 数据局限性
   • 数据集依赖单一来源（Plant Disease Expert），缺乏多样环境（如光照、角度）和早期病害样本，影响模型鲁棒性。
   • 同类作物不同病害的视觉相似性（如玉米病害）导致误分类，需增加多标签标注以区分细微差异。
2. 技术优化方向
   • 模型轻量化: 适配边缘设备（如无人机、手持终端），结合自监督学习减少标注依赖。
   • 多模态融合: 引入高光谱成像或环境传感器数据，提升复杂条件下的检测精度。
   • 动态学习策略: 探索增量学习适应新病害，结合实时监测系统优化农业决策。

总结

LeafConvNeXt通过融合卷积与注意力机制，在叶片病害分类中实现SOTA性能，同时兼顾效率与可解释性，为无人农场提供可行的AI解决方案。未来工作需扩展数据集多样性、优化边缘部署能力，并探索多模态数据融合以应对复杂农业场景。