Deep learning–based computer vision for rapid and accurate quantitative field assessment of powdery mildew severity: model comparison, validation, and agreement with human raters

摘要 准确且可重复地量化叶部病害严重度仍是植物病理学的一项基本挑战，因为传统的视觉评估本质上具有主观性，且容易受到评估者间变异的影响。尽管计算机视觉已使病害自动检测成为可能，但仍缺乏经过验证的端到端框架，将参考标准生成、模型训练和可田间部署的百分比严重度估算整合在一起。在此，我们开发并验证了一套计算机视觉流程，用于在田间条件下利用智能手机采集的图像量化豌豆(Pisum sativum)白粉病(Oidium spp.)严重度，并以番茄(Solanum lycopersicum)白粉病作为跨物种验证系统。一种半自动多通道分割方法生成了连续的百分比严重度估算值，作为可重复的训练参考标准。在评估的深度学习架构中，基于YOLO的模型因其在预测准确性、计算效率和部署灵活性之间的优越平衡而被选中，并被整合到PowderyComputerVision这一专门构建的Web应用程序中，以实现实时推理。在田间条件下，该自动化系统与参考严重度值的一致性显著高于受过训练的人类评估者(一致性相关系数(CCC)，0.952 vs. 0.513)。线性混合效应模型显示，人类评估者产生的绝对估算误差是自动化系统的280.96倍(p < 0.0001；95% CI 120.34–655.91)。其性能在多变的光照条件、成像角度和植物结构下均保持稳健，支持其在受控环境之外的适用性。所提出的四阶段流程——包括图像采集、通过YOLOv11m-cls进行寄主与病害分类、通过YOLOv11n-seg进行叶片定位，以及通过多通道分割进行病斑量化——为基于田间的连续病害严重度估算提供了一个可扩展、客观且可重复的框架。