本研究提出一种基于深度学习的方法，用于预测水稻叶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特定生长阶段的治疗建议，以实现有效的作物病害管理。
需要JoVE订阅才能观看此内容。 请登录或开始免费试用
本研究提出一种基于深度学习的方法，用于预测水稻叶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特定生长阶段的治疗建议，以实现有效的作物病害管理。
水稻叶片病害严重影响水稻的产量和品质，因此在精准农业中，早期检测和适当治疗至关重要。本研究提出了一种基于深度学习的决策支持系统，用于水稻叶片病害检测、生长阶段预测以及针对特定生长阶段的治疗建议。本研究所用数据集包含从多个来源收集的水稻叶片图像，并按生长阶段和病害类别进行分类。数据集被划分为训练集（80%）、验证集（10%）和测试集（10%），以确保模型评估的可靠性。在生长阶段预测方面，开发了一种轻量级卷积神经网络（CNN）模型；而在病害分类方面，则采用迁移学习模型，包括 VGG16、ResNet50、InceptionV3 和 MobileNetV2。为提升分类性能，采用了基于平均概率投票的集成方法。各模型在独立测试集上通过准确率、精确率、召回率和 F1 分数进行评估。实验结果表明，集成模型相比单一模型具有更高的准确率，表现出更强的鲁棒性和泛化能力。所提出的系统已实现为一个 Streamlit 网络应用程序，可提供病害检测、生长阶段预测及治疗建议。该集成框架可协助农民和农业专家及时、准确地做出病害管理决策。
印度作为农业经济国家，农业在其经济中占据重要地位，水稻（稻）是该国大部分人口的主粮作物。然而，稻叶常受到稻瘟病、细菌性叶枯病、褐斑病和鞘枯病等病害的严重影响，导致产量下降并造成经济损失。这些病害的早期检测至关重要，因为传统的人工检测方法耗时且准确性较低。为解决这一问题，本研究提出了一种基于深度学习的决策支持系统，用于预测水稻叶片的生长阶段、进行病害分类并提供相应的防治建议。该系统采用神经网络模型预测水稻叶片的生长阶段，并利用多种深度学习模型（包括CNN、VGG16、ResNet50、InceptionV3和MobileNetV2）进行病害分类。通过集成学习方法融合这些模型，以提高分类的准确性和鲁棒性，最终实现了98.99%的分类准确率。系统根据预测出的病害类型和生长阶段，提供针对特定生长时期的治疗建议。该系统以Streamlit框架开发为网络应用程序，用户可上传叶片图像并实时获得预测结果与防治建议。该集成化方案为精准农业提供了一种实用且可扩展的解决方案，有助于农民减少作物损失并提高生产效率。
多项研究已将机器学习和深度学习技术应用于作物推荐、病害检测以及农业决策支持。集成深度学习方法通过整合病害预测来提高作物和肥料推荐的准确性，其性能优于单一模型方法1。基于机器学习的推荐系统利用决策树和支持向量机，已被开发用于推荐作物、肥料及病害防治措施，同时结合农户反馈以提高系统的适应性2。
访问受限。请登录或开始试用以查看此内容。
以下方案逐步说明了水稻叶片病害检测与治疗建议系统的构建和部署过程。为复现本文所述的研究结果，需依次执行以下步骤。
数据集准备
水稻叶片生育期数据集：该数据基于PaddyNet4构建。该数据集场景包含560张图像，按水稻植株的四个不同发育阶段进行分类，分别为：2期、3期、4期和5期。分类依据包括水稻叶片的颜色和成熟度，而这些特征受氮素浓度等多种因素以及植株发育进程的影响。该数据集对于准确识别水稻植株所处的生育阶段具有重要意义（图1）。PaddyNet可通过data.mendeley.com/datasets/网站公开获取。水稻叶片病害数据集：该数据集最初以多个独立的公开数据集形式发布于Kaggle平台，后经整合形成一个统一的数据集，共包含6,920张图像，每张图像属于六种病害类型之一，如（图2）所示。防治措施数据集：该数据集通过检索和整合多个公开可用的数据集信息而系统构建，包含了水稻在四个生长阶段中针对各类病害的多种管理措施数据21。该数据集的主要目标是为水稻病害的预防与控制提供科学建议。该数据是选择合适农药以有效防控水稻病害的关键资源之一19,
访问受限。请登录或开始试用以查看此内容。
分期分类模型
分期预测模型的训练准确率达到95.88%（损失值：0.1172），验证准确率为95.24%（损失值：0.1751），表明该模型学习过程稳定，在应用于未见过的验证样本时能够做出合理的预测。验证准确率为95.24%，验证损失为0.1751。在测试数据上，模型的测试准确率为94.05%，测试损失为0.1759，这证明了模型具有良好的鲁棒性以及处理未知样本的能力。分期模型的准确率和损失变化曲线如（图4）所示。
基于集成学习的疾病分类模型
表2总结了训练后模型的准确率以及损失结果，训练和验证曲线见（图5、6、7–9）。在各个独立模型中，VGG16 和 MobileNetV2 表现最为.......
访问受限。请登录或开始试用以查看此内容。
本文提出了一种新颖的决策支持系统，该系统通过集成深度学习模型（VGG16、MobileNetV2 和 ResNet50）实现水稻叶片生长阶段的预测、病害分类，并基于网络应用程序提供分阶段的治疗建议。该集成模型在病害分类中的准确率达到98.99%，高于此前报道的单一模型性能；已有研究指出，单独使用的模型对偏差较为敏感，在泛化过程中容易发生误分类1,10。该系统最重要的创新特征在于端到端的流程：农民上传水稻叶片图像后，可实时获得病害诊断结果及对应生长阶段的治疗建议，而此前的系统尚未实现此类集成化功能3,7。
以往大多数关于水稻病害的深度学习研究均未探讨分类准确率之外的其他信息。Mohanty 等人展示了良好的基于图像的病害检测效果，但未包含生长阶段数据和治疗指南7。Jesie 等人采用混合卷积神经网络（CN.......
访问受限。请登录或开始试用以查看此内容。
作者声明无利益冲突。
作者感谢印度奥里萨邦布巴内斯瓦尔吉塔自治学院计算机科学与工程系为开展本研究工作提供的必要计算设施和研究支持。作者同时感谢本研究中所使用的公开数据集以及开源深度学习框架的开发者们。
....访问受限。请登录或开始试用以查看此内容。
| 姓名 | 公司 | 目录编号 | 评论 |
|---|---|---|---|
| 数据集 | 水稻叶期数据集（PaddyNet4） | 4个生长阶段（第2阶段）共560张图像–5) | |
| 数据集 | 水稻叶片病害数据集 | 来自 Kaggle 的 6 种疾病类别的 6920 张图像 | |
| 数据集 | 治疗数据集 | 按生长阶段汇总的疾病管理措施数据集 | |
| 预处理 | 图像缩放 | 图像调整为 128x128x3 | |
| 预处理 | 归一化 | 像素值已缩放至 [0,1] 范围 | |
| 预处理 | 标签编码 | 将分类标签转换为数值 | |
| 增强 | 旋转 | 最高30度 | |
| 增强 | 宽度/高度偏移 | 高达 20% | |
| 增强 | 缩放 | 高达 20% | |
| 增强 | 剪切 &和；翻转 | 剪切与水平翻转 | |
| 模型 | CNN（分期分类） | 具有3个卷积层的轻量级卷积神经网络 | |
| 模型 | CNN（疾病分类） | 具有卷积和池化层的自定义卷积神经网络 | |
| 模型 | VGG16 | 迁移学习模型 | |
| 模型 | ResNet50 | 迁移学习模型 | |
| 模型 | InceptionV3 | 迁移学习模型 | |
| 模型 | MobileNetV2 | 轻量级迁移学习模型 | |
| 技术 | 集成学习 | 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 | Dropout 正则化 | 为防止过拟合 | |
| 训练 | 优化器 | Adam（学习率 0.001） | |
| 训练 | 损失函数 | 分类交叉熵 | |
| 训练 | 批次大小 | 10（分期模型），32（疾病模型） | |
| 训练 | 时期 | 10（分期），20（疾病） | |
| 评估 | 指标 | 准确率、精确率、召回率、F1分数 | |
| 部署 | Streamlit | 用于实时预测的网络应用程序 |
访问受限。请登录或开始试用以查看此内容。