“这片叶子是得了锈病还是褐斑病？”传统果园里，果农们常为叶片上的斑点发愁。依赖经验判断不仅耗时，误诊更可能导致减产。近日，中南大学智能交通团队在《Frontiers of Agricultural Science and Engineering》发表研究，提出新型AI模型Incept_EMA_DenseNet，将苹果叶病害识别准确率提升至96.76%，较主流模型提升3%以上。这意味着，一部手机就能为果农提供“专家级”诊断。

从“人工看诊”到“AI读片”：复杂病害如何精准识别？
苹果叶病害种类多、症状相似，传统方法依赖农技专家现场观察，成本高且效率低。研究团队从公开数据集中收集了1.5万余张叶片图像，涵盖锈病、白粉病、花叶病等8类病害及健康叶片。面对叶片斑点大小不一、背景复杂等干扰，团队创新性地构建了多尺度融合网络：通过组合不同尺寸的“数字放大镜”（即卷积核），模型既能捕捉叶片边缘的细微病变，也能分析大面积斑纹特征。就像医生同时使用显微镜和CT扫描，AI实现了“局部细节+整体结构”的双重观察。

“智能筛选器”让计算效率翻倍
传统深度学习模型参数庞大，普通设备难以运行。该团队对经典DenseNet121架构“动手术”：用多尺度模块替换首层卷积，并引入高效多尺度注意力（EMA）机制。EMA如同“智能筛子”，自动筛选不同层次特征的重要性——例如，锈病的橙色孢子堆在浅层网络中更显著，而花叶病的黄绿斑块需深层特征分析。实验显示，改进后的模型参数量减少50%，但准确率反超原模型3.44%。在模拟果园环境的测试中，其识别速度比人工判断快千倍，且不受光照、拍摄角度影响。

田间验证：准确率碾压主流模型
研究对比了ResNet50、GoogLeNet等七种模型。在1.5万张测试图像中，Incept_EMA_DenseNet以96.76%的准确率领先，对易混淆的褐斑病和灰斑病区分度提升显著。团队负责人解释：“模型在过渡层嵌入EMA模块，让不同深度的特征‘对话’，就像老中医结合望闻问切综合诊断。”此外，数据增强策略（旋转、镜像）将小样本病害识别率提升1.39%-3.74%，破解了农业图像数据不足的难题。

AI诊断不是终点：未来果园需要什么？
尽管表现亮眼，研究也暴露局限性：数据集中褐斑病等样本仍偏少，可能影响模型泛化能力。团队计划联合农科院扩大数据规模，并探索模型在柑橘、葡萄等作物上的迁移应用。学者提醒：“AI诊断需配套防治方案，就像CT报告需要临床治疗。”目前，该模型代码已开源（详见论文链接），农民合作社可通过定制化训练适配本地病害类型。

这项获国家自然科学基金支持的研究，标志着我国农业AI从实验室走向田间地头。当手机摄像头变成“智能显微镜”，果农或许很快能像查天气预报一样，随时给果树“体检”。

来源: 农业科学与工程前沿