《Frontiers in Plant Science》：Lightweight deep learning for tomato disease detection: trends, challenges, and edge AI perspectives
编辑推荐：
这篇综述深度剖析了轻量化深度学习模型与边缘AI在番茄病害检测中的前沿进展与应用潜力。文章系统性地评估了卷积神经网络（CNN）、基于Transformer的模型、模型优化技术（如剪枝、量化和知识蒸馏），并融合了可解释AI工具以提升模型透明度。研究通过MobileNetV2和EfficientNetB0模型在特定番茄病害数据集上验证了高达99.9%的准确率，并创新性地提出了一个将AI诊断与微生物生物防治推荐相结合的可持续、区域特异性病害管理框架，为构建可扩展、农民友好型精准农业系统提供了路线图。
1 引言
番茄（Solanum lycopersicum）是全球广泛种植的重要园艺作物，但其生产力受到叶部病害和虫媒病毒的严重制约。早期、准确的病害诊断以及可持续的生物防治策略，对于改善作物健康、减少经济损失至关重要。传统的人工诊断方式劳动密集、耗时且结果不一，尤其在缺乏专业人员的偏远农村地区，常导致农药过度使用或诊断延误。深度学习，特别是卷积神经网络（CNN），在过去十年已成为植物病害诊断领域的突破性技术。然而，高性能模型通常需要强大的GPU或云端环境，这限制了其在田间（尤其是资源受限地区）的广泛应用。因此，研究重点逐渐转向能够在智能手机、树莓派（Raspberry Pi）等低功耗边缘设备上实现实时推理的轻量化架构与优化策略。本文综述了轻量化深度学习与边缘AI在番茄病害检测中的最新进展，并探讨了将AI诊断与微生物生物防治策略相结合以实现可持续病害管理的潜力。
2 背景
番茄病害主要由真菌、细菌和虫媒病毒引起，每年造成高达30%的产量损失和巨大的经济损失。主要病害包括早疫病（Alternaria solani）、晚疫病（Phytophthora infestans）、细菌性斑点病（Xanthomonasspp.）和番茄黄化卷叶病毒（TYLCV）等。
传统病害管理依赖人工巡查和化学农药，存在主观性强、环境风险高、易引发病原体抗药性等问题。同时，气候变化加剧了病害发生的频率和严重性。番茄因其症状在图像上表现明显、经济重要性高以及存在多个公开标注数据集（如PlantVillage、Tomato Leaf Disease Dataset），成为评估农业AI方法的理想模型系统。
3 番茄病害检测的轻量化深度学习最新进展
3.1 用于番茄病害检测的深度学习架构
深度学习模型，尤其是CNN和新兴的Vision Transformer（ViT），在番茄叶部病害分类、严重度估计和病斑分割等任务中表现出卓越性能。模型的效能高度依赖于训练数据集的质量、多样性和标注准确性。常用的基准数据集包括PlantVillage、Tomato Leaf Disease Dataset等。
3.1.2 卷积神经网络
CNN凭借其自动学习层次化空间特征的能力，构成了植物病害图像识别的基础。AlexNet、VGGNet、ResNet等架构在检测番茄病害方面 consistently 表现出高性能。例如，在PlantVillage数据集上的早期研究实现了超过99%的分类准确率。然而，这些模型通常包含数千万参数，计算需求大，难以在移动设备上实时运行。
3.1.3 轻量化CNN
为解决传统CNN模型庞大、计算密集的问题，研究人员转向了轻量化CNN架构，在保持精度的同时降低复杂性，以适配树莓派、NVIDIA Jetson Nano和智能手机等边缘设备。MobileNetV2采用深度可分离卷积和倒置残差结构，显著减少了参数量和计算量。EfficientNet-B0则使用复合缩放方法协调网络深度、宽度和分辨率。研究表明，基于MobileNetV2的轻量化架构在PlantVillage番茄数据集上能达到99.3%的准确率，同时具有较小的内存占用。
3.1.4 基于Transformer的混合架构：注意力机制在植物病害诊断中的兴起
Vision Transformer（ViT）利用自注意力机制处理图像块序列，能够捕获局部和全局的交互关系，在复杂田间图像中显示出优势。然而，标准ViT模型庞大（约8600万参数），计算需求高。为此，研究人员开发了轻量化混合架构，如MobileViT，它结合了CNN的归纳偏置和Transformer的全局建模能力，在保持计算效率的同时实现高精度。混合架构如CoAtNet和Conformer也在早期层结合卷积模块，在深层结合自注意力机制，展现出良好的泛化能力和推理速度平衡潜力。
3.1.5 用于番茄病害检测的多模态与多源边缘AI
单一的RGB图像系统在光照不均、背景杂乱等真实田间条件下面临挑战。新兴的边缘AI技术通过融合视觉信息与光谱、生理及环境信号，提升病害检测的鲁棒性和早期诊断能力。例如，将微型近红外（micro NIR）传感器与RGB图像融合，可将早期病害（尤其是真菌病害）的检测准确率提高5-12%。结合叶绿素荧光探测（Fv/Fm）和环境传感器（土壤湿度、冠层湿度、温度）数据，也能有效区分生物胁迫与非生物胁迫，并增强模型在不同生长环境下的泛化能力。针对嵌入式系统优化的轻量化多模态融合架构（如基于注意力的融合层）正在开发中，以实现实时田间部署。
3.2 用于番茄病害诊断的边缘AI部署策略
边缘AI将AI模型直接部署在本地设备上进行实时推理，具有低延迟、数据隐私、离线功能和成本效益等优势，非常适合网络连接不稳定、基础设施有限的农村社区。
3.2.1 田间部署的硬件平台
常见的边缘AI硬件平台包括树莓派4B、NVIDIA Jetson Nano和安卓智能手机。树莓派4B成本低廉，通过TensorFlow Lite等框架可高效运行MobileNet等轻量化模型。NVIDIA Jetson Nano凭借其GPU，能够支持ResNet、MobileNet等中等规模CNN的实时推理，适用于无人机等需要快速决策的应用。现代安卓手机借助TensorFlow Lite或ONNX Runtime，也能运行压缩后的模型，推理延迟可低于500毫秒。
3.2.2 模型优化技术
为在内存和算力有限的边缘设备上高效运行深度学习模型，模型优化至关重要。主要技术包括：
- •
剪枝：移除模型中不重要的参数，减小模型大小，对精度影响小。
- •
量化：将模型权重从32位浮点数降低为8位整数，显著减小模型体积、加速推理、提高能效。
- •
知识蒸馏：让一个轻量化的“学生”模型学习一个更庞大、更准确的“教师”模型的行为，以较小复杂度复现大部分精度。
3.2.3 田间部署挑战
边缘AI在实际部署中面临数据集偏移（模型在受控实验室条件下训练，难以泛化到复杂田间环境）、低质量图像导致的推理不稳定、设备在户外高温环境下的电池和性能限制等挑战。解决方案包括开发自适应置信度阈值、实时图像预处理以及基于新田间数据的自动化再训练流程。
3.3 番茄病害管理中的微生物生物防治
面对化学农药的环境风险及病原体抗药性增加，微生物生物防治作为一种环境友好型替代方案受到关注。微生物生物防治剂（MBA）通过抗生作用、重寄生作用、诱导系统抗性（ISR）、竞争营养与空间以及抑制媒介昆虫等多种机制来抑制植物病原体。常用的MBA包括枯草芽孢杆菌（Bacillus subtilis）、哈茨木霉（Trichoderma harzianum）、球孢白僵菌（Beauveria bassiana）等。
3.3.4 与AI早期检测集成
微生物生物防治剂在感染早期或病原体定殖前使用效果最佳，因此与能够实时、田间诊断的AI病害检测系统集成具有巨大潜力。轻量化深度学习模型在边缘设备上检测到早期病害症状后，系统可推荐合适的微生物药剂、施用方式和剂量。例如，检测到TYLCV症状可推荐使用球孢白僵菌来控制烟粉虱种群。更先进的平台甚至将AI检测模型与物联网（IoT）环境传感器结合，以预测病害爆发并优化微生物干预时机，实现闭环式的精准病害管理。
3.4 提出的框架
本文提出了一个集成框架，将轻量化AI病害检测、IoT传感与微生物生物防治策略相结合。该框架使用MobileNet、EfficientNet等定制化轻量化模型处理手机或无人机捕获的番茄叶片图像，在边缘设备上进行推理，输出病害类型和严重度。同时，整合来自IoT传感器的微气候和媒介压力数据（温湿度、土壤湿度、叶面湿度、烟粉虱诱捕计数等）。推荐引擎根据AI诊断结果和IoT参数，将识别的病害映射到合适的微生物制剂（如用枯草芽孢杆菌防治细菌性斑点病，用球孢白僵菌防治烟粉虱媒介，用哈茨木霉防治早疫病），并推荐种子处理、叶面喷施或土壤浇灌等施用方式，同时考虑环境条件和作物生长阶段以调整剂量和时间。IoT传感模块通过反馈环路与AI检测阶段相连，使系统能随着新田间数据的输入持续调整和优化。这一闭环框架旨在帮助农民在病害爆发前做出及时、可持续的决策。
4 结果与讨论
4.1 数据集
实验使用PlantVillage番茄叶片数据集的子集进行，该子集包含7，373张图像，涵盖早疫病、晚疫病、叶霉病和番茄黄化卷叶病毒（TYLCV）四类病害，按70%-15%-15%的比例划分为训练集、验证集和测试集。
4.2 模型性能
使用轻量化CNN架构MobileNetV2和EfficientNet-B0进行实验验证。两种模型在测试集上均取得了约99.9%的整体准确率和接近0.99的宏平均F1分数。MobileNetV2参数量为226万，EfficientNet-B0为405万，表明MobileNetV2在计算效率上更具优势，更适合资源受限的实时部署。训练和验证的准确率与损失曲线显示模型在10个周期内平滑收敛，过拟合迹象轻微。混淆矩阵证实了所有四个病害类别的完美分类。两种模型的单张图像推理延迟均低于100毫秒，满足边缘AI部署需求。
4.4 田间条件与轻量化模型的预期性能下降
尽管标准数据集为模型评估提供了良好基础，但真实田间图像的复杂性（如背景杂乱、遮挡、早期症状）可能导致模型性能下降。研究表明，性能下降的主要因素包括背景复杂性、叶片遮挡、早期病害表达难以与非生物胁迫区分以及成像设备差异。为应对这些挑战，可结合适用于边缘部署的预处理策略（如背景分割、叶片提取）和专门的数据增强技术（如亮度变化、随机遮挡模拟），或采用融合多模态数据（光谱、环境）的方法来提升模型在复杂条件下的鲁棒性。
4.5 对可持续数字农业的意义
实验验证结果表明，将轻量化深度学习模型与可持续病害管理相结合具有实际可行性。MobileNetV2和EfficientNet-B0展示的高精度与高效率，凸显了边缘AI系统在偏远农业地区进行离线、实时病害检测的潜力。当这些AI工具与微生物生物防治策略和决策支持系统结合时，可以提供数据驱动、环境友好的病虫害管理方法。
5 挑战与未来展望
当前部署面临多项挑战：
- 1.
数据集质量与多样性：需建立更具区域多样性、包含真实田间变异（光照不均、背景噪声等）的标注数据集。
- 2.
硬件部署限制：需进一步通过剪枝、量化、知识蒸馏以及神经架构搜索（NAS）等优化技术，结合TinyML和硬件感知设计，开发更强大的低功耗AI模型。
- 3.
AI与微生物防治的整合：需要区域特异性的微生物菌剂配方、精准的施用时机以及无人机喷洒等高效输送系统的支持。
- 4.
可信度与可解释性：集成可解释AI（XAI）工具（如Grad-CAM）到移动应用中，以可视化模型决策依据，并结合多语言、离线兼容的界面，提升农民信任度和工具可及性。
未来研究方向还包括支持性的制度框架建设，以促进开放数据集、标准化田间评估协议和开展农民培训项目。
6 结论
人工智能与可持续作物保护的结合为番茄病害管理开辟了新途径。深度学习模型，特别是轻量化架构与边缘AI，为实现实时、田间的自动化病害诊断提供了强大工具。同时，微生物生物防治剂作为化学农药的环保替代品，其效能依赖于及时、精准的施用。本综述强调了将AI早期检测与微生物生物防治策略相结合的潜力，以采取针对性、预防性措施。本文提出的集成框架朝着这一目标迈出了一步，将可持续治疗与诊断结合在一个决策支持系统中。未来需在开发具代表性的田间数据集、增强模型可解释性以及创建连接诊断与智能决策支持的闭环系统等方面继续努力。这种智能与可持续性的联动，不仅是管理番茄病害的关键，也预示着精准农业新时代的到来。
