基于深度学习的稻叶病检测及生长阶段特定治疗建议方法

Summary

本研究采用基于深度学习的方法，用于预测稻片生长阶段并分类病害，通过自动化、用户友好的决策支持系统，提供针对阶段的治疗建议，实现作物病害的有效管理。

Abstract

稻叶病显著影响水稻产量和质量，因此早期发现和妥善处理对于精准农业至关重要。本研究提出了基于深度学习的决策支持系统，用于稻叶病害检测、生长阶段预测及阶段特定治疗建议。本研究所用数据集包括从多个来源收集的稻叶图像，并按生长阶段和病害类别进行分类。数据集分为训练组（80%）、验证组（10%）和测试组（10%），以确保模型评估的正确性。为预测生长阶段，开发了一个轻量级卷积神经网络（CNN）模型，同时利用迁移学习模型（如VGG16、ResNet50、InceptionV3和MobileNetV2）进行疾病分类。采用基于平均概率投票的集合方法来提升分类表现。模型通过独立测试集的准确性、精度、回忆性和F1分数进行评估。实验结果显示，集合模型相比单个模型实现了更高的准确性，展现了更强的鲁棒性和推广性。该系统作为Streamlit网络应用实现，提供疾病检测、生长阶段预测和治疗建议。拟议的综合框架将支持农民和农业专家及时、准确地做出疾病管理决策。

Introduction

印度作为农业经济体，高度依赖农业，稻米是大部分人口的主食作物。然而，稻田种植受到叶片病害的显著影响，如爆叶病、细菌性叶疫病、褐斑病和鞘疫病，这些病害会减少产量并造成经济损失。早期发现这些疾病至关重要，因为传统的人工检查方法耗时且常常不准确。为解决这一问题，本研究提出了基于深度学习的决策支持系统，用于稻叶生长阶段预测、疾病分类和治疗建议。该系统利用神经网络模型预测稻叶的生长阶段，并利用包括CNN、VGG16、ResNet50、InceptionV3和MobileNetV2在内的多种深度学习模型进行疾病分类。这些模型采用集成方法组合，以提高准确性和鲁棒性，实现了98.99%的分类准确率。系统根据预测的疾病和生长阶段，提供针对阶段的治疗建议。该系统以基于Streamlit的网络应用实现，允许用户上传叶子图片并接收实时预测和推荐。这种综合方法为精准农业提供了实用且可扩展的解决方案，帮助农民减少作物损失并提高生产力。

多项研究将机器学习和深度学习技术应用于作物推荐、病害检测和农业决策支持。集成深度学习方法已被用于通过整合疾病预测来提高作物和肥料推荐的准确性，显示出优于单模型方法^的表现1。基于机器学习的建议系统也已开发，利用决策树和支持向量机，在纳入农民反馈的同时，提出作物、肥料和病害处理方案，以提升适应性².

在疾病检测方面，混合CNN模型结合特征提取技术如CLAHE和GLCM提高了稻田病^{分类的准确}性。其他方法则利用聚类和基于纹理特征提取的随机森林算法来提升病害检测性能⁴.深度学习模型，尤其是卷积神经网络和迁移学习架构，在植物病害检测方面实现了高精度，并实现了实时和基于智能手机的^{诊断系统5,6,7}。传统的图像处理和分类树方法，利用颜色、纹理和形状特征，也显示出以较低计算复杂度有效检测病害的效果 ^8,9。

集合学习已被广泛应用于作物推荐系统，通过结合随机森林、朴素贝叶和支持向量机等分类器，以提高预测准确性和鲁棒性¹⁰。基于CNN的模型也被用于稻谷病害检测，并与物联网系统集成，实现实时农业建议¹¹。机器学习模型如K最近邻和回归技术已被应用于预测^{决策支持系统}中。此外，基于土壤、季节性和生产力因素的作物推荐系统已被开发，以支持基于数据的农业决策 ¹³。

研究还探讨了稻米生产的限制和病害管理策略，强调了可持续病害控制和改进农业实践的重要性¹⁴。然而，大多数现有研究仅关注病害检测或作物推荐，极少将病害分类、生长阶段预测和治疗建议整合到单一决策支持系统中。这一差距凸显了建立综合且实用的农业决策支持框架的必要性¹⁵。

这项研究的创新之处不仅在于疾病分类，还在于开发了完整的稻谷疾病管理决策支持系统¹⁶。该系统整合了稻叶生长阶段预测、利用深度学习模型进行病害分类以及针对生长阶段的治疗建议。与仅关注病害检测的现有研究不同，本研究将病害预测与基于植物^{生长阶段17}的可行治疗建议相结合。这种综合方法使系统在实际农业应用中更为实用，并通过及时且适时的阶段干预支持精准农业¹⁸。

本研究的主要目标是建立下一阶段深度学习系统，以更早发现稻叶病害，精确预测叶片生长阶段，并及时且有选择地推荐治疗方案。该系统通过精细工程和组装了CNN、VGG16、ResNet50、InceptionV3、MobileNetV2等先进模型，实现了98.99的疾病分类高精度。它包含一个神经网络，预测生长阶段，并针对分析提供具体的除草剂或农药建议。该技术通过用户友好的Streamlit网络应用向农民开放，实现实时预测和处理^建议。该研究应通过及时预测和治疗建议，促进疾病管理相关决策，并可能适用于印度等农业经济体。

尽管已有多项研究通过机器学习和深度学习进行植物病害检测，但大多数现有研究尝试病害分类时，未考虑植物的发育阶段和治疗建议。然而，在实际农业实践中，处理指导不仅基于病害的性质，还取决于作物在处理时所处的阶段，因为农药的程度和类型因作物的不同而异。很少有研究将疾病检测、生长阶段预测和治疗建议整合在一个自动化系统中。为弥合这一差距，本研究建议采用基于深度学习的结合架构，将结合稻谷叶阶段预测、深度学习模型中的疾病分类，以及通过Streamlit执行的决策支持系统基于生长阶段推荐特定治疗方案²⁰。这种整合使拟议系统在现实中的精准农业中更加实用和实用。本研究提出了一个阶段感知疾病诊断框架，将生长阶段预测和疾病分类与治疗建议模块结合，形成完整的决策支持流程²¹。

尽管已有多种深度学习和集合学习方法被提出用于植物病害检测，但大多数现有研究仅关注病害分类，未考虑植物的生长阶段。然而，在实际农业中，处理方法、农药类型和剂量通常不仅取决于病害类型，还取决于植物生长阶段。现有的疾病检测系统不提供阶段特定的治疗建议，这限制了其在精准农业中的实际应用²²。此外，许多现有研究仅专注于利用深度学习模型提升分类准确性，而未将预测系统整合到可供农民或农业专家使用的实用决策支持框架中。为解决这些局限性，本研究提出了一套综合决策支持系统，结合稻叶生长阶段预测、基于集合学习进行疾病分类以及针对阶段的治疗建议。该系统作为基于网络的应用实现，以支持实时农业决策²³。

本研究的主要贡献包括开发基于深度学习的模型，利用图像数据准确预测稻叶生长阶段，从而实现更好的作物监测和管理。它还包括实施迁移学习技术，通过利用预训练模型有效分类稻叶病，提高准确率并降低训练复杂度²⁴。为进一步提升疾病检测的可靠性，采用了集成学习方法，结合多个模型以实现更优的分类性能。此外，研究引入了针对阶段的治疗建议系统，基于已识别病害和作物生长阶段提供针对性的解决方案，确保农业干预更精准有效。最后，所有这些组件集成到基于Streamlit的网络应用中，提供了一个用户友好的实时决策支持平台，使农民和利益相关者能够轻松访问预测和建议。

Protocol

以下方案展示了稻叶病害检测与治疗建议系统的逐步构建与部署过程。采取的步骤需连续使用，以复制本文中呈现的发现。

数据集准备

稻田离开阶段数据集：该数据基于PaddyNet4。该场景包含560张图像，分为四个不同的开发阶段，分别是：第二阶段、第三阶段、第四阶段和第五阶段。分类取决于水稻叶片的颜色和成熟度，这取决于氮浓度等因素，以及植物的发育情况。所展示的数据集对于判断水稻植物的正确阶段非常重要（见图1）。PaddyNet可通过 data.mendeley.com/datasets/ 官网公开访问。稻叶病害数据集：该数据集作为多个独立的公开数据集在Kaggle上提供，合并形成一个统一数据集，共包含6,920张图片，每张图片属于六种疾病类型之一（见图2）。处理数据集：该数据集通过检索和整合多个公开数据集的信息进行了关键性开发，包含稻谷病在四个生长阶段的不同管理实践^数据。该数据集的主要目标是提出预防和控制稻谷病的建议。这些数据是通过选择合适的农药来对抗水稻作物病害的重要资源之一

数据增强

数据增强用于增强训练数据集并减少过拟合。本研究采用的增强方法包括旋转（最多30%）、宽度和高度移动（最高20%）、放大（最高20%）、剪切和水平翻转。这些增强方法有助于模型掌握模型的核心要素，并在模型在未见数据上测试时增强其泛化性。数据增强在训练数据集上进行，而验证和测试数据集则保持原样，以评估系统的公平性能。由于原始数据集规模较小，必须通过增强泛化度并减少过拟合，方法是通过引入叶片图像的方向、比例和位置差异来增强泛化并减少过拟合。

图像预处理

收集的阶段和疾病数据经过多个预处理步骤，以使数据保持一致并提升模型性能。两个数据集中的所有图片都被缩放为128×128×3，以确保在任何深度学习架构中都能适用。像素值被按[0,1]为区间，以加快训练时的收敛速度。此外，疾病标签及其分期被转化为数字，以更有效地评估和训练模型。这些预处理方法有助于更好地提取特征，提高分类率，并增强模型对不同环境条件的鲁棒性。所用图像的尺寸为128×128，因计算和特征损失而受损。具体 更小的图像尺寸减少了训练时间和计算成本，并且在使用深度学习模型时不会消除用于分类疾病和分期的信息（视觉特征）。

数据集拆分

处理后的数据被分为三个子集（见表1）：训练集（80%）、验证集（10%）、测试集（10%）。为避免三个子集中类别分布不均，采用分层随机抽样，确保阶段数据集（560张图像）和疾病数据集（6,920张图像）类别分布均等。子集之间没有数据泄漏。

模型训练

在水稻叶片和病害生长阶段的分类中，采用了两步模型训练方法。

阶段分类模型

叶片生长阶段的分类方法分为四类，且数据量相对较低，因此卷积神经网络（NN）的架构并未大幅扩展，但被视为轻量级。更简单的架构可以减少过度拟合和计算能力，但代价是使用颜色和纹理特征分类时的高准确性。 新的CNN结构将采用ReLU激活函数，由三层卷积层组成。卷积层与最大池化层（2×2）交替排列，以降低空间维度并识别显著特征。特征映射经历卷积层，之后被平整，运行带脱落正则化的全连通稠密层以阻止过拟合。最后，四个生长阶段的多类分类借助软最大输出层完成。 Adam优化器学习率为0.001，类别交叉熵作为损失函数，用于训练模型。批次编号设定为10，模型在10个纪元中进行了训练。验证准确性和验证损耗也被用来监测模型性能，因为它们用于确保模型具有概括性。

基于集合学习的疾病分类模型

在疾病分类方面，采用了一系列深度学习架构以提高预测准确性。定制CNN模型的初步开发由四层组成，即三层卷积层、三层最大池化层、一层密集全连通层和脱落正则化。MobileNetV2采用深度可分卷积、倒残差块和线性残留反转瓶颈。该模型仅有340万参数，且可在资源受限的环境中使用。模型开始使用ImageNet激活，卷积层被冻结，以确保学到的特征表示不丢失。softmax分类层连接到一个完全连通的层，该层具有dropout正则化。所有模型在20个时期内训练，批次大小为32个，优化器和损失与CNN模型相同。为了改进分类，采用了平均投票集合学习方法。结果是所有五个模型（CNN、VGG16、ResNet50、InceptionV3 和 MobileNetV2）预测的平均概率，以获得最终类别预测。这种组合技术有助于减少模型中的偏见并增强泛化性。最后一种组合模型在分类上更为准确。选择集成方法的原因是不同深度学习模型使用同一数据集学习各种特征表示。该集合还降低了模型偏差和方差，提高了整体预测问题和整体泛化性能，相较于独立模型。

预测策略

在预测稻叶病及其相关生长阶段的过程中，采用了基于集合的分类方法。五个深度学习模型（CNN、VGG16、ResNet50、InceptionV3 和 MobileNetV2）被独立训练以分类疾病，并通过平均投票集合法合并。该程序包括预测所有模型中每个疾病类别的概率及平均概率分布，从而提高预测性并最小化模型中的偏差。最终预测以平均概率最高的疾病类别为准。此外，基于CNN的另一种阶段分类模型被训练并用于预测稻叶的生长阶段。这两个分类模型都会接收大小为128x 128的输入图像，然后对像素值进行归一化，然后用模型进行推断。随后，叶片阶段和病害的最终预测被映射到现有的治疗建议上，以提供有效的治疗以管理疾病。

示例输出：“叶片阶段：3，病害：通格罗”

治疗建议

为了使稻叶病分类更实用，应用中集成了基于Streamlit的治疗推荐系统。系统根据预测的病害和叶片阶段，提供具体治疗建议，确保病害得到有效管理。集合病害分类模型（包括CNN、VGG16、ResNet50、InceptionV3和MobileNetV2）用于分类疾病，而叶片阶段分类模型则是另一种模型。将叶片和病害的模型阶段与推荐剂量的治疗数据进行比较（预防措施和农药应用）。

方法论框架与贡献

本系统的方法论是一条多阶段的流水线，结合了图像分类和决策支持。该框架由五个主要步骤组成，分别是图像推广与增强、叶片生长阶段预测、利用基于图像训练的深度学习模型对疾病进行分类、综合预测结果以获得集合决策，以及根据疾病的类型和生长阶段推荐治疗方案。本研究的方法论贡献在于将多种预测模型和治疗建议模块整合到一个决策支持流程中。该系统不仅基于疾病分类，还结合植物生长阶段的信息，以便在特定阶段提供治疗建议。由于这种阶段意识的推荐策略，该系统在现实世界中农业决策过程中更具相关性。输入图像将先经过预处理，然后通过分期分类模型和疾病分类模型传输。疾病模型结果通过集合技术进行平均，疾病预测和生长阶段一直推进到末尾，以基于治疗数据库中相关治疗记录的识别，获得正确的治疗建议。

验证策略与过拟合预防

为了对已开发模型进行严格验证，数据集被拆分为三个析取子集：训练集（80%）、验证集（10%）和测试集（10%）。模型使用训练集进行训练，使用验证集进行调优，最终性能仅用测试集进行评估。测试集保持绝对独立，以便对模型进行公正的分析。以下方法被用来保证模型不会过拟合并增强其泛化能力。为了提高数据集的多样性水平，首先采用了数据增强方法（旋转、缩放、移动、剪切和水平翻转）。其次，在CNN模型的全连通层中使用了dropout regularization以减少过拟合。第三，预训练模型（VGG16、ResNet50、InceptionV3 和 MobileNetV2）采用冻结卷积层技术传输，以保留所学特征并最大限度减少因数据集体积小而导致的过拟合风险。最后，利用验证损失和准确率监测训练中的模型表现，以确保模型不会过度拟合训练数据。这些是验证和正则化方案，确保所提出的模型能够很好地推广到未见数据，并提供良好的性能。

拟议系统

建议的是一种深度学习解决方案，涵盖水稻病害管理，包含叶片阶段预测和病害分类。它从对稻叶图像进行预处理开始，比如将它们调整到统一的高度和像素值。叶片生长阶段通过神经网络预测，采用平均投票技术，利用深度学习模型（CNN、VGG16、ResNet50、InceptionV3、MobileNetV2）对疾病进行分类。该系统根据预测的病期和疾病，开具用于治疗的正确除草剂或农药剂量。所提系统的工作流程如图3所示。前面的子节（A到I）解释了该管道的每个具体元素，因此这里没有做更多描述。本研究开发的基于Streamlit的应用程序是一个原型决策支持工具，旨在展示所提模型的实际适用性。该系统允许用户上传稻叶图片，并获取病害预测、生长阶段信息和治疗建议。未来将进行大规模可用性测试和农民田间部署，以评估系统在实际世界的有效性和可用性。

Results

阶段分类模型

阶段预测模型的训练准确率为95.88%（损失：0.1172），验证准确率为95.24%（损失：0.1751），表明模型在应用于未见验证样本时具有持续学习能力并做出公平的预测。验证准确率为95.24%，验证损失为0.1751。该模型在测试数据上实现了94.05%的测试准确率和0.1759的测试损失，这支持了模型的稳健性以及其处理未知样本的能力。阶段模型的准确率和损失曲线如图4所示。

带集合学习的疾病分类模型

表2 总结了训练模型的准确率及损失结果，训练和验证曲线见图5、6、7–9。在单个模型中，VGG16和M...

Discussion

本论文提出了一种新型决策支持系统，涉及预测稻叶生长阶段、利用深度学习模型（VGG16、MobileNetV2和ResNet50）对疾病进行分类，并基于基于网络应用的阶段治疗建议。集合模型在分类中获得了98.99%的准确率，高于单个模型，因为此前报告过，个体策略模型对偏见敏感，且^在泛化时容易误^分类。最重要的新功能是端到端的流程：农民发送水稻叶图像，实时获得疾病诊断和特定阶段的治疗建议，而之前的系统在^{集成系统中}未能找到这些^信息。

此前大多数关于稻谷病的深度学习研究并未探讨除分类准确性外的更多信息。Mohanty等人显示出良好的图像疾病检测，但未包含生长阶段数据和治疗^指南7。Jesie等人用混合CNN模型对稻病分类非常严格，但未能将结果与农学...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
数据集	稻叶阶段数据集（PaddyNet4）	560张图像，分布于4个生长阶段（第2及ndash;5)
数据集	稻叶病害数据集	来自Kaggle的6个疾病类别共6920张图片
数据集	处理数据集	按生长阶段编译的病害管理实践数据集
预处理	图像调整大小	图像调整为128x128x3
预处理	归一化	像素值缩放为[0,1]
预处理	标签编码	将类别标签转换为数字标签
增强	旋转	最高可达30度
增强	宽度/高度变化	最高可达20%
增强	Zoom	最高可达20%
增强	剪切与翻转	剪切与水平翻转
模型	CNN（舞台分类）	具有三层变流层的轻量级卷积神经网络
模型	CNN（疾病分类）	带有conv + pooling层的定制CNN
模型	VGG16	迁移学习模型
模型	ResNet50	迁移学习模型
模型	盗梦空间V3	迁移学习模型
模型	移动网2	轻量级迁移学习模型
技术	集合学习	5个模型的平均概率投票
技术	迁移学习	使用预训练的ImageNet权重
技术	退出正则化	以防止过拟合
培训	优化器	亚当（学习率0.001）
培训	损失函数	范畴交叉熵
培训	批次大小	10（分期模型），32分（疾病模型）
培训	时代	10（分期），20分（疾病）
评价	指标	准确性、精准度、回忆力、F1分数
部署	Streamlit	实时预测的网络应用