利用YOLO11（一种深度学习方法）在采前和采后条件下实时识别并量化苹果果实上的黑星病

《Plant Methods》：Real-time identification and quantification of apple scab on fruit in preharvest and postharvest conditions using YOLO11: a deep learning approach

本研究提出基于深度学习的苹果黑腐病自动检测框架，通过两阶段YOLO11模型微调实现果实检测（0.98精度）和病变分割（0.75召回率），利用高分辨率训练数据提升细小病变分割准确率超50%，支持实时图像处理，助力苹果分级和抗病育种。

　　

摘要

背景

苹果疮痂病（AS）是由真菌病原体Venturia inaequalis引起的，是一种主要的苹果疾病，表现为叶片和果实上的病斑。该病会降低果实品质和产量，从而导致巨大的经济损失。传统的AS评估方法依赖于视觉评分，这种方法劳动强度大、主观性强且重复性差。本研究提出了一种基于深度学习的框架，以克服这些限制，实现准确、可扩展的AS表型分析方法。

结果

本研究采用了深度学习技术来检测和分割苹果果实中的AS症状。在果园和实验室条件下收集的彩色图像上，应用了两阶段的微调过程，基于YOLO基础模型（YOLO11）。首先训练模型以检测健康的苹果果实（模型1），然后使用高分辨率图像（864×864像素）对模型进行进一步优化，以分割AS病斑（模型2）。模型1（果实检测）的准确率为0.98，召回率为0.95，mAP50值为0.94；模型2（病斑分割）的准确率为0.64，召回率为0.75，mAP50值为0.75。该框架支持图像和视频的实时处理。尽管存在光照变化和症状异质性等挑战，但使用高分辨率训练数据将细小病斑的分割准确性（mAP50）提高了50%以上，优于之前的YOLO架构。

结论

这些结果表明，所提出的基于深度学习的方法为自动化AS表型分析提供了可靠的流程。通过在受控环境和田间环境中提高准确性和效率，该模型增强了苹果分级评估，并加速了选育抗AS基因型的工作。此外，这项工作为实时植物病害监测以及未来整合其他苹果疾病的应用奠定了坚实的基础。