轻量级的深度学习框架及真实世界数据集，用于智能农业中的榴莲叶病害检测

《Displays》：Lightweight deep learning framework and real-world dataset for durian leaf disease detection in smart agriculture

提出轻量级模型DurianLSNet和真实场景数据集DurianLDD，实现高效准确的移动端榴莲叶病检测。

　　
全球榴莲产业正面临严峻挑战，传统人工诊断模式存在效率低、主观性强、漏检率高三大痛点。随着物联网和移动设备在农业场景中的普及，如何构建轻量化、高精度的智能诊断系统成为研究热点。越南作为亚洲重要榴莲产区，其种植面积已达11.1万公顷，年产量突破85万吨，但叶部病害导致的产量损失高达30%。本研究团队通过系统性创新，在榴莲病害检测领域取得突破性进展，其成果对东南亚农业智能化具有重要实践价值。

一、真实场景数据集的突破性构建
针对现有农业图像数据集存在的三大缺陷（样本量不足、采集环境单一、病害类别不全），研究团队历时18个月完成DurianLDD数据集的构建。该数据集包含4379张经过双重专家核验的高清图像，覆盖五大核心类别：健康叶片（占比38.7%）、青霉病叶斑（27.3%）、藻类叶斑（20.1%）、跳蚤蛀食（8.9%）以及复合型病害（5.0%）。数据采集采用双盲实验设计，在越南中部高原和下游三角洲的7个种植基地同步开展，完整记录不同光照强度（500-20000lux）、湿度（45%-85%RH）和降雨频率（年均1200mm）下的样本分布。特别引入跳蚤蛀食数据（共396例），填补了该领域关键数据空白。图像分辨率统一为1280×960像素，经过专业农学家标注的病害区域精确到毫米级，为模型训练提供了高信噪比的数据基础。

二、轻量化模型架构的四大创新
DurianLSNet模型在结构设计上实现四大突破：首先采用深度可分离卷积，将传统卷积的参数量压缩87%，同时通过通道重排机制（Channel Shuffle）优化特征流动路径，使信息传递效率提升40%。其次创新性地将瓶颈残差块与轻量化SE模块结合，在保持残差连接的同时减少计算量。实验显示，在保持93.82%分类精度的前提下，模型参数量仅120万，比MobileNetV2减少58%，内存占用压缩至4.76MB。第三引入多尺度特征融合机制，通过动态调整不同层级的特征权重，使模型在复杂光照条件下的鲁棒性提升23%。最后采用边缘计算友好的量化方案，支持INT8精度推理，在NVIDIA Jetson Nano设备上实现0.12秒/帧的实时处理速度。

三、多维度的性能验证体系
研究团队构建了包含环境变量、设备差异、模型压缩三重维度的验证体系。在环境变量测试中，模型在不同光照（自然光、人工补光）、湿度（30%-90%）和温度（15-35℃）条件下保持超过91%的稳定准确率。设备测试涵盖四类场景：智能手机（骁龙855）、边缘计算设备（NVIDIA Jetson Nano）、工业平板（华为M7）和农业无人机（大疆T50）。对比实验显示，DurianLSNet在移动端表现尤为突出，相比主流模型实现：推理速度提升2.3倍（0.12s/帧 vs EfficientNet-B0的0.34s）、内存占用减少65%、能耗降低42%。在模型压缩方面，通过知识蒸馏技术可将模型压缩至380KB，仍保持89.7%的原始性能。

四、农业场景的深度适配设计
研究团队特别关注模型的农业适用性，开发出三大核心功能模块：①病害动态识别系统，支持实时视频流处理（30fps）和病害面积测算；②多设备兼容接口，内置CPU/GPU/NPU多模态推理引擎；③低功耗保护机制，通过智能调度算法在电池供电模式下延长使用时间达4.2小时。在田间实测中，系统可准确识别距离设备3米范围内的叶片病害，误报率控制在1.8%以下。针对东南亚地区网络条件不稳定的特点，模型支持离线运行模式，可存储超过2000张诊断记录。

五、产业应用与经济效益
在越南巴地省的试验田部署中，系统成功将病害识别效率从人工的15分钟/株提升至0.8秒/株，使农户平均每公顷年损失减少2.3吨。经济测算显示，系统全面部署可使每吨榴莲成本降低18.7元，按年产量85万吨计算，全行业年收益将增加15.8亿元。更值得关注的是，系统通过物联网平台实现了"诊断-预警-施药"闭环管理，当检测到病害面积超过5%时，自动触发周边无人机群（每平方公里配备3架）进行精准喷洒，药量节省达43%。

六、学术贡献与产业影响
本研究在三个方面实现突破：1）构建首个包含跳蚤蛀食的完整榴莲病害数据集，覆盖四种主要病害类型；2）开发面向移动端的轻量化CNN架构，参数量仅相当于ResNet-18的1/4；3）建立农业AI系统评估标准，包含光照变化率（＞25%/min）、振动幅度（＜0.5g）、电磁干扰（＜50dBm）等12项核心指标。据联合国粮农组织统计，类似系统在芒果种植园的应用可使病害识别准确率从68%提升至92%，推广价值显著。

七、技术演进与未来展望
当前研究已实现模型在5G模块下的端到端延迟控制在1.2秒内，下一步将重点开发以下方向：①多病害联合检测模块，集成真菌感染与虫害识别；②生长周期预测模型，结合叶片图像和土壤传感器数据；③区块链溯源系统，实现从叶片到果实的全链条追踪。研究团队计划与越南农业研究院合作，在2025年前完成5000+设备的田间部署，并建立东南亚首个农业AI开放实验室。

这项研究不仅为植物病害检测提供了新的技术范式，更开创了"轻量化模型+边缘计算+农业物联网"的三位一体解决方案。其核心价值在于：通过数据采集的标准化（统一时间、环境参数记录）和模型部署的本地化（设备端即可完成推理），真正实现了AI技术从实验室到田间地头的无缝衔接。未来随着联邦学习技术的应用，系统将能够持续吸收各产区的数据反馈，形成自适应进化能力，为全球热带水果种植提供可复制的智能解决方案。