A unified YOLOv11 framework for multi-crop detection of diseases, pests and nutrient deficiencies, with preliminary field validation and mobile decision support

方法

15.9万张双设备图像训练轻量YOLOv11n，832分辨率，ONNX导出并集成

发现

独立测试mAP@50达0.975，优于YOLOv8n；150张农户图像准确率98.7%，SUS评分9

机会点

可扩展至更多作物与地区，开展外部数据验证，并控制可用性评估中的社会赞许偏差。

病害、虫害和营养缺乏每年在全球造成大量作物损失，然而田间诊断在很大程度上仍依赖专家的目视检查。尽管深度学习已展现出相当大的前景，但现有研究大多集中于受控条件下单一作物或单一胁迫类别，对营养缺乏的关注有限，且鲜有研究推进到实际部署阶段。本研究提出了一个统一的作物胁迫检测框架，涵盖摩洛哥东部地区7种重要经济作物的53个类别（41种生物胁迫、5种营养缺乏和7个健康类别）。研究构建了包含159,000张图像的双设备数据集，其中90.4%由数码单反相机和智能手机在田间采集，9.6%来自开放获取来源且仅用于训练。以832 × 832分辨率训练了轻量级YOLOv11n检测器，所有设置均在独立的田间采集验证集上选定。在未用于模型选择的独立测试集上，其精确率= 0.977、召回率= 0.972、F1分数= 0.974、mAP@50 = 0.975（95% CI 0.973–0.977）、mAP@50–95 = 0.953，在所有指标上均优于相同方案下训练的YOLOv8n（mAP@50–95 = 0.934），同时模型更轻量。在完整的53类混淆矩阵中，所有残余误分类（3.2%）均发生在同一胁迫类别下视觉相似的类别之间，该模式尚需在外部采集数据上加以确认。性能并非仅依赖作物识别，因为多寄主类别的平均mAP@50与单一作物类别相当（0.968 vs 0.976）。在覆盖5个胁迫类别的150张农户拍摄田间图像上进行的初步独立验证取得了98.7%的总体准确率（148/150；95% CI 95.3–99.6%）。导出的ONNX模型在这150张图像上复现了原始PyTorch模型的全部类别预测。该模型已集成到使用Flutter和ONNX Runtime Mobile开发的多语言、可离线运行的移动应用中。由同一50名农户完成的系统可用性量表初步可用性评估给出的平均分为93.7（SD 3.2），这一非常高的数值可能也反映了社会赞许性和天花板效应。本研究朝着将基于AI的作物胁迫检测从实验研究转化为面向农户的实际决策支持迈出了一步。