Proximal Remote Sensing of Oil Palm Basal Stem Rot Using Deep Learning Vision Algorithms and Ground-based Images
Wan Siu Hong · Jonathan Yong Chung Ee · Jin Yuan Chan 等 5 人
用手机拍摄油棕树干图像，结合深度学习检测与分类，实现基腐病严重度诊断。
YOLO26n+随机森林与四种图像分类器，基于手机RGB图像，SHAP解释。
两条路径准确率均约0.83，中度病级最难区分，腐区比例与子实体数为关键预测因子。
可探索轻量化模型在手机端离线部署，并扩充多地区、多品种数据以提升中度病级辨识。
该研究利用智能手机图像与深度学习实现油棕基腐病严重度诊断，方法新颖、结论可靠，但属细分作物研究，产业影响有限，适合作为技术类精选。
由灵芝（Ganoderma boninense）引起的基茎腐病（Basal Stem Rot, BSR）威胁着东南亚油棕的生产力。本研究开发并基准测试了一个低成本遥感框架，用于从智能手机拍摄的RGB树干图像中诊断基茎腐病的严重程度，并评估了未来田间部署的两条技术路径。第一条路径将YOLO检测与随机森林分类器相结合：在三种纳米变体中，YOLO26n在定位基茎腐病症状（蘑菇、腐烂、白钮）方面实现了最佳的精度-成本权衡，端到端的YOLO26n+RF流程在健康、轻度、中度和重度四个类别上达到了0.83的准确率和0.79的宏F1值。腐烂始终是最难定位的症状，原因在于其弥散且边界模糊的外观。第二条路径直接在严重程度标签上训练了四个图像分类器（EfficientNet-B0、MobileNetV2、Swin-Tiny和ConvNeXt-V2-Tiny），其中ConvNeXt-V2-Tiny表现最佳（准确率0.83，宏F1值0.83）。两条路径在严重程度极端类别上表现良好，但在中度类别上表现欠佳，反映出各阶段之间存在视觉重叠。SHAP分析确定腐烂面积比和子实体数量为最重要的预测因子。这些离线结果表明，利用智能手机图像有望实现准确的基茎腐病诊断，为未来设备端部署奠定了基础。