Using Multispectral Imaging and Artificial Intelligence to Detect Crop Diseases and Pests Early

方法

多光谱与热成像数据，混合CNN-注意力模型，对比SVM、随机森林及多种融合策略。

发现

水稻营养生长期准确率达91.0%，优于基线与融合模型，健康与虫害分类表现良好。

机会点

可扩展作物与病害类别并引入环境因子，优化检测时延与早期灵敏度以支撑实时决策系统。

在可持续农业中，早期检测病虫害至关重要。近年来，深度学习（DL）以及多光谱和热成像等多模态成像技术在作物健康监测方面的技术进步展现出良好前景。尽管取得了进展，但在多种作物上同时实现高准确率和实时性能仍是一项挑战。为此，引入了一种融合多光谱与热成像数据的混合卷积神经网络（CNN）-注意力模型，用于病虫害检测。研究从六种作物（玉米、水稻、小麦、番茄和木薯）的不同生长阶段共采集了1760个样本，标注了真菌、细菌、病毒和虫害感染类别。数据按70%训练集、15%验证集和15%测试集划分。其中3500个样本用于训练，750个样本用于验证和测试。基于准确率、精确率、召回率、F1分数和早期检测灵敏度，将混合CNN-注意力模型与若干基线模型（SVM、随机森林、CNN-RGB、CNN-多光谱）及若干融合方法（早期融合、晚期融合和混合融合）进行了对比。该混合模型在水稻营养生长期取得了91.0%的最高准确率，优于基线模型和融合模型。分类的F1分数相当高。水稻的灵敏度为88.1%，玉米为87.3%。该模型在所有类别上表现良好，健康植株达到92.0%，虫害侵染达到88.2%。未来工作可通过增加更多作物、病害和环境因素来扩展数据集，并优化检测时间和早期灵敏度，以实现农业决策支持系统中的实时部署。