MDPI AgriEngineering 8(9) 368·9月2日 · 周三论文农业人工智能与决策模型阅读 2
Lightweight CNN-Based Computer Vision for Early Detection of Monilinia spp. and Taphrina deformans in Peach Crops Under Real Field Conditions
论文解读
60接近精选线
速览
提出轻量CNN用于桃树两种真菌病害的早期检测，在实地条件下验证有效。
方法
紧凑CNN（3658参数）结合背景去除，分层5折交叉验证，800张实地图像。
发现
果实分类准确率82.8%，叶部95.3%，AUC分别为0.87和0.98，模型仅100KB。
机会点
可探索将轻量模型部署于边缘设备，并扩展至其他作物病害，或结合多光谱图像提升早期检测精度。
影响力12
信息增量18
专业深度16
信源权威12
时效性2
提出超轻量CNN用于桃树病害检测，实地验证准确率高，模型仅100KB，适合边缘部署，对农业AI落地有参考价值。
原文摘要
桃褐腐病（Monilinia spp.）和桃缩叶病（Taphrina deformans）是桃种植中的两类重要真菌病害，热带高地果园长期缺乏经过验证的 AI 诊断工具。本文提出一种紧凑型卷积神经网络（仅 3658 个可训练参数），结合背景去除预处理流水线，通过在哥伦比亚 Cómbita 和 Choachí 四个果园的 800 张实地图像进行分层 5 折交叉验证。模型在果实分类上平均准确率 82.8%、叶部 95.3%，AUC 分别为 0.87 与 0.98，模型权重仅约 100 KB，便于存储带宽受限场景部署。原文标题：Lightweight CNN-Based Computer Vision for Early Detection of Monilinia spp. and Taphrina deformans in Peach Crops Under Real Field Conditions。