基于深度学习的水稻叶片病害检测与生长阶段特异性治疗推荐方法

摘要

本研究提出一种基于深度学习的方法，用于预测水稻叶片生长阶段并分类病害，通过自动化、用户友好的决策支持系统提供针对特定生长阶段的治疗建议，以实现有效的作物病害管理。

摘要

水稻叶片病害严重影响水稻的产量和品质，因此在精准农业中，早期检测和适当治疗至关重要。本研究提出了一种基于深度学习的决策支持系统，用于水稻叶片病害检测、生长阶段预测以及针对特定生长阶段的治疗建议。本研究所用数据集包含从多个来源收集的水稻叶片图像，并按生长阶段和病害类别进行分类。数据集被划分为训练集（80%）、验证集（10%）和测试集（10%），以确保模型评估的可靠性。在生长阶段预测方面，开发了一种轻量级卷积神经网络（CNN）模型；而在病害分类方面，则采用迁移学习模型，包括 VGG16、ResNet50、InceptionV3 和 MobileNetV2。为提升分类性能，采用了基于平均概率投票的集成方法。各模型在独立测试集上通过准确率、精确率、召回率和 F1 分数进行评估。实验结果表明，集成模型相比单一模型具有更高的准确率，表现出更强的鲁棒性和泛化能力。所提出的系统已实现为一个 Streamlit 网络应用程序，可提供病害检测、生长阶段预测及治疗建议。该集成框架可协助农民和农业专家及时、准确地做出病害管理决策。

引言

印度作为农业经济国家，农业在其经济中占据重要地位，水稻（稻）是该国大部分人口的主粮作物。然而，稻叶常受到稻瘟病、细菌性叶枯病、褐斑病和鞘枯病等病害的严重影响，导致产量下降并造成经济损失。这些病害的早期检测至关重要，因为传统的人工检测方法耗时且准确性较低。为解决这一问题，本研究提出了一种基于深度学习的决策支持系统，用于预测水稻叶片的生长阶段、进行病害分类并提供相应的防治建议。该系统采用神经网络模型预测水稻叶片的生长阶段，并利用多种深度学习模型（包括CNN、VGG16、ResNet50、InceptionV3和MobileNetV2）进行病害分类。通过集成学习方法融合这些模型，以提高分类的准确性和鲁棒性，最终实现了98.99%的分类准确率。系统根据预测出的病害类型和生长阶段，提供针对特定生长时期的治疗建议。该系统以Streamlit框架开发为网络应用程序，用户可上传叶片图像并实时获得预测结果与防治建议。该集成化方案为精准农业提供了一种实用且可扩展的解决方案，有助于农民减少作物损失并提高生产效率。

多项研究已将机器学习和深度学习技术应用于作物推荐、病害检测以及农业决策支持。集成深度学习方法通过整合病害预测来提高作物和肥料推荐的准确性，其性能优于单一模型方法¹。基于机器学习的推荐系统利用决策树和支持向量机，已被开发用于推荐作物、肥料及病害防治措施，同时结合农户反馈以提高系统的适应性²。

在病害检测方面，结合CLAHE和GLCM等特征提取技术的混合卷积神经网络（CNN）模型提高了水稻病害分类的准确率³。其他方法采用基于纹理的特征提取结合聚类和随机森林算法，以提升病害检测性能⁴。深度学习模型，特别是卷积神经网络（CNN）和迁移学习架构，在植物病害检测中实现了高准确率，并推动了实时检测和基于智能手机的诊断系统的发展^5,6,7。传统的图像处理方法以及利用颜色、纹理和形状特征的分类树方法，也在较低计算复杂度下实现了有效的病害检测^8,9。

集成学习通过结合随机森林、朴素贝叶斯和支持向量机等分类器，已被广泛应用于作物推荐系统，以提高预测的准确性和鲁棒性¹⁰。基于卷积神经网络（CNN）的模型也已被用于水稻病害检测，并与物联网（IoT）系统集成，实现农业实时推荐¹¹。诸如K近邻和回归技术等机器学习模型已被应用于预测性决策支持系统¹²。此外，基于土壤、季节和生产力因素的作物推荐系统也已开发，以支持数据驱动的 farming 决策¹³。

研究还探讨了水稻生产的制约因素及病害管理策略，强调了可持续病害防控和改进农业实践的重要性¹⁴。然而，大多数现有研究仅单独关注病害检测或作物推荐，极少将病害分类、生育期预测和防治建议整合到一个统一的决策支持系统中。这一空白凸显了建立一个集成化且实用的农业决策支持框架的必要性¹⁵。

本研究的创新之处不仅在于病害分类，更在于开发了一套完整的水稻病害管理决策支持系统¹⁶。所提出的系统整合了水稻叶片生长阶段预测、基于深度学习模型集成的病害分类，以及针对特定生长阶段的治疗建议。与现有仅关注病害检测的研究不同，本工作将病害预测与基于植株生长阶段的可操作治疗建议相结合¹⁷。这种集成化方法使系统在实际农业应用中更具实用性，并通过提供及时且符合生长阶段的干预措施，支持精准农业的发展¹⁸。

本研究的主要目标是构建下一代深度学习系统，以更早地检测水稻叶片病害，精确预测叶片的生长阶段，并及时且有针对性地推荐治疗方案。该系统通过精细的工程设计和集成先进的模型（如CNN、VGG16、ResNet50、InceptionV3、MobileNetV2等），在病害分类方面达到了98.99的高准确率。系统结合了可预测生长阶段的神经网络，并根据分析结果提供特定的除草剂或杀虫剂建议。该技术通过用户友好的Streamlit网络应用程序向农民提供，支持实时预测和治疗建议¹⁹。本研究有望通过及时的预测和治疗建议，辅助病害管理决策，并在印度等农业经济体中具备潜在应用价值。

尽管已有大量研究致力于利用机器学习和深度学习进行植物病害检测，但大多数现有研究仅关注病害分类，未充分考虑植物的发育阶段及相应的治疗建议。然而在实际农业生产中，防治措施不仅取决于病害类型，还与作物接受治疗时所处的生长阶段密切相关，因为不同生长阶段所需的农药种类和施用程度各不相同。目前极少有研究将病害检测、生长阶段预测以及治疗建议整合于同一自动化系统中。为弥补这一空白，本研究提出一种基于深度学习的综合架构，该架构结合水稻叶片生长阶段预测、多种深度学习模型的病害分类，以及基于生长阶段通过Streamlit实现的决策支持系统提供的具体治疗建议²⁰。这种集成使所提出的系统在现实世界的精准农业应用中更具实用性和可操作性。本研究构建了一种考虑生长阶段的病害诊断框架，将生长阶段预测与病害分类相结合，并集成治疗建议模块，形成完整的决策支持流程²¹。

尽管已有多种深度学习和集成学习方法被提出用于植物病害检测，但大多数现有研究仅关注病害分类，而未考虑植物的生长阶段。然而，在实际农业生产中，治疗方法、农药类型及施用剂量不仅取决于病害种类，还往往与植物的生长阶段密切相关。现有的病害检测系统未能提供针对不同生长阶段的治疗建议，这限制了其在精准农业中的实际应用²²。此外，许多现有研究仅专注于通过深度学习模型提高分类准确率，却未将预测系统整合到可供农民或农业专家使用的实用决策支持框架中。为克服这些局限性，本研究提出一种集成决策支持系统，该系统结合了水稻叶片生长阶段预测、基于集成学习的病害分类以及针对特定生长阶段的治疗建议。所提出的系统以网页应用形式实现，以支持农业实时决策²³。

本研究的主要贡献包括：开发了一种基于深度学习的模型，利用图像数据准确预测水稻叶片的生长阶段，从而实现更高效的作物监测与管理；采用迁移学习技术，通过利用预训练模型有效分类水稻叶片病害，在提高准确性的同时降低了训练复杂度²⁴；为进一步提升病害检测的可靠性，引入集成学习方法，融合多个模型以实现更优的分类性能；此外，研究还提出了一种针对特定生长阶段的治疗建议系统，该系统根据识别出的病害类型及作物的生长阶段提供精准的应对方案，确保农业干预措施更加精确有效；最后，将上述所有组件集成至一个基于Streamlit的网络应用程序中，为用户提供友好的实时决策支持平台，使农民及相关利益方能够便捷地获取预测结果与建议²⁵。

方案

以下方案逐步说明了水稻叶片病害检测与治疗建议系统的构建和部署过程。为复现本文所述的研究结果，需依次执行以下步骤。

数据集准备

水稻叶片生育期数据集：该数据基于PaddyNet4构建。该数据集场景包含560张图像，按水稻植株的四个不同发育阶段进行分类，分别为：2期、3期、4期和5期。分类依据包括水稻叶片的颜色和成熟度，而这些特征受氮素浓度等多种因素以及植株发育进程的影响。该数据集对于准确识别水稻植株所处的生育阶段具有重要意义（图1）。PaddyNet可通过data.mendeley.com/datasets/网站公开获取。水稻叶片病害数据集：该数据集最初以多个独立的公开数据集形式发布于Kaggle平台，后经整合形成一个统一的数据集，共包含6,920张图像，每张图像属于六种病害类型之一，如（图2）所示。防治措施数据集：该数据集通过检索和整合多个公开可用的数据集信息而系统构建，包含了水稻在四个生长阶段中针对各类病害的多种管理措施数据²¹。该数据集的主要目标是为水稻病害的预防与控制提供科学建议。该数据是选择合适农药以有效防控水稻病害的关键资源之一^{19,22,23,24,25}

数据增强

数据增强用于扩充训练数据集并减少过拟合。本研究采用的增强方法包括旋转（最大30度）、宽高平移（最大20%）、缩放（最大20%）、剪切变换以及水平翻转。使用这些增强方法有助于模型学习到更本质的特征，并在测试未见过的数据时提升模型的泛化能力。数据增强仅在训练数据集上进行，而验证集和测试集保持原始状态，以客观评估系统的性能。由于原始数据集规模较小，必须通过数据增强来扩充数据量，从而通过向模型引入叶片图像在方向、尺度和位置上的差异，提高其泛化能力并最小化过拟合。

图像预处理

收集的分期和疾病数据经过了多个预处理步骤，以确保数据的一致性并提升模型的性能。两个数据集中的所有图像均被缩放至 128 × 128 × 3，以确保能够适配任何深度学习架构。像素值被归一化到 [0,1] 区间，以加快训练过程中的收敛速度。此外，疾病及其分期的标签被转换为数值形式，以更有效地评估和训练模型。这些预处理方法有助于更好地提取特征、提高分类准确率，并增强模型在不同环境条件下的鲁棒性。所采用的图像尺寸 128 × 128，是在计算成本与特征损失之间权衡的结果。具体而言，较小的图像尺寸可减少训练时间和计算开销，同时在使用深度学习模型时，不会丢失用于分类疾病和分期的关键信息（视觉特征）。

数据集划分

处理后的数据被分为三个子集（表1）：训练集（80%）、验证集（10%）、测试集（10%）。为了避免这三个子集中类别分布不均，采用分层随机抽样方法，以确保分期数据集（560张图像）和疾病数据集（6,920张图像）中各类别的分布均等。各子集之间不存在数据泄露。

模型训练

在水稻叶片生长阶段及病害分类中，采用了两步模型训练方法。

分期分类模型

叶片生长阶段的分类方法包含四个类别，且数据量相对较小，因此卷积神经网络（NN）的架构并未过度扩展，而是设计为轻量级。采用较简单的网络结构可在牺牲部分准确率的前提下，降低过拟合风险并减少计算资源消耗，尤其在利用颜色和纹理特征进行分类时表现如此。 新的卷积神经网络结构将包含三个使用 ReLU 激活函数的卷积层。卷积层与最大池化层（2×2）交替排列，以降低空间维度并识别显著特征。特征图经过一个卷积层处理后被展平，随后通过带有 Dropout 正则化的全连接稠密层，以防止过拟合。最后，通过 Softmax 输出层实现对四个生长阶段的多类别分类。 采用 Adam 优化器训练模型，其学习率为 0.001，损失函数为分类交叉熵。批量大小设为 10，模型共训练 10 个轮次。同时使用验证准确率和验证损失来监测模型性能，以确保模型具有良好的泛化能力。

基于集成学习的疾病分类模型

在疾病分类中，采用了一系列深度学习架构以提高预测准确性。自定义卷积神经网络（CNN）模型的初步开发包含四个部分，即三个卷积层、三个最大池化层、一个全连接密集层以及dropout正则化。MobileNetV2采用逐深度可分离卷积、反向残差模块以及带线性残差的反向瓶颈结构。该模型仅有340万个参数，体积小，适用于资源受限的环境。所有模型均基于ImageNet的激活参数初始化，并冻结卷积层，以保留已学习到的特征表示。在全连接层上附加了带有dropout正则化的softmax分类层。所有模型均训练20个epoch，批量大小为32，优化器和损失函数与CNN模型相同。为提升分类性能，采用了平均投票集成学习方法。最终类别预测结果由全部五个模型（CNN、VGG16、ResNet50、InceptionV3和MobileNetV2）预测概率的平均值确定。该组合技术有助于降低模型偏差并增强泛化能力。最终的集成模型在分类任务中表现出更高的准确性。选择集成方法的原因在于，不同的深度学习模型利用相同的数据集学习到多样化的特征表示。此外，集成方法可降低模型的偏差与方差，相较于独立模型，能够提升整体预测性能和泛化能力。

预测策略

在预测水稻叶片病害及其对应生长阶段的过程中，采用了基于集成的分类方法。五个深度学习模型（CNN、VGG16、ResNet50、InceptionV3 和 MobileNetV2）被独立训练用于病害分类，并通过平均投票集成方法进行整合。该过程包括预测各模型对每种病害类别的概率，并计算平均概率分布，从而提高预测的准确性并减少模型偏差。最终预测结果取平均概率最高的病害类别。此外，还训练并使用了一个不同的基于 CNN 的生长阶段分类模型，用于预测水稻叶片的生长阶段。这两个分类模型均以尺寸为 128×128 的图像作为输入，对像素值进行归一化处理后，利用模型进行推理。最终得到的叶片生长阶段和病害预测结果将映射到一组现有的治疗建议上，以提供有效的防治措施来控制病害。

示例输出："叶龄期：3，病害：黄化矮缩病"

治疗建议

为了使水稻叶片病害分类更具实用性，本研究基于 Streamlit 将一个治疗建议系统集成到应用程序中。该系统根据预测的病害类型和叶片发育阶段，提供具体的治疗建议，以确保病害得到有效管理。病害分类采用集成模型（包括 CNN、VGG16、ResNet50、InceptionV3 和 MobileNetV2）进行识别，而叶片阶段分类则使用另一个独立的模型。模型预测出的叶片发育阶段和病害类型将与已有的治疗数据进行比对，这些数据包含推荐用药剂量（预防措施和农药施用）。

方法论框架与贡献

本系统的方法论是一个结合了图像分类与决策支持的多阶段流程。该框架包含五个主要步骤：图像的预处理与数据增强、叶片生长阶段的预测、利用在图像上训练的深度学习模型对病害进行分类、融合各模型的预测结果以获得集成决策，以及根据病害类型和生长阶段推荐相应的治疗方案。本研究的方法论贡献在于将多个预测模型与一个治疗推荐模块整合到一个统一的决策支持流程中。该系统不仅基于病害分类，还结合了植物生长阶段的信息，从而在特定生长阶段提供治疗建议。由于这种关注生长阶段的推荐策略，该系统更贴近现实农业决策的实际过程。输入图像首先经过预处理，随后分别输入至生长阶段分类模型和病害分类模型。病害分类模型的结果通过集成技术进行平均化处理，最终将病害预测结果与生长阶段信息结合，通过查询治疗数据库中相关的治疗记录，生成准确的治疗推荐方案。

验证策略与过拟合预防

为了对所开发的模型进行严格验证，数据集被划分为三个互不重叠的子集：训练集（80%）、验证集（10%）和测试集（10%）。模型使用训练集进行训练，利用验证集进行调参，并仅通过测试集评估其最终性能。测试集始终保持完全独立，以确保对模型进行无偏分析。为防止模型过拟合并增强其泛化能力，采用了以下方法：首先，为提高数据集的多样性，采用了数据增强方法（包括旋转、缩放、平移、剪切和水平翻转）；其次，在卷积神经网络（CNN）模型的全连接层中使用了 Dropout 正则化技术以减少过拟合；第三，采用冻结卷积层的方法对预训练模型（VGG16、ResNet50、InceptionV3 和 MobileNetV2）进行迁移学习，以保留已学习的特征，并最大限度降低因数据集规模较小而导致的过拟合风险；最后，在训练过程中使用验证损失和准确率来监控模型性能，以确保模型未对训练数据产生过拟合。上述验证与正则化策略共同保障了所提出模型对未见数据具有良好的泛化能力，并表现出优异的性能。

提出的系统

本文提出了一种针对水稻叶片病害管理的深度学习解决方案，该方案结合了叶片生长阶段预测与病害分类。首先对水稻叶片图像进行预处理，包括将图像调整为统一高度以及归一化像素值。利用神经网络预测水稻叶片的生长阶段，并采用平均投票法集成多个深度学习模型（CNN、VGG16、ResNet50、InceptionV3、MobileNetV2）对病害进行分类。系统结合预测的生长阶段和病害类型，推荐治疗所需施用的除草剂或农药的合适剂量。所提出系统的流程如（图 3）所示。前文各小节（A 至 I）已详细解释了该流程中的各个组成部分，因此此处不再赘述。本研究开发的基于 Streamlit 的应用程序是一个原型决策支持工具，旨在展示所提出模型的实际应用价值。该系统允许用户上传水稻叶片图像，并获得病害预测结果、生长阶段信息以及治疗建议。未来的工作将开展大规模的可用性测试，并与农民合作进行实地部署，以评估该系统在真实环境中的有效性与可用性。

结果

分期分类模型

分期预测模型的训练准确率达到95.88%（损失值：0.1172），验证准确率为95.24%（损失值：0.1751），表明该模型学习过程稳定，在应用于未见过的验证样本时能够做出合理的预测。验证准确率为95.24%，验证损失为0.1751。在测试数据上，模型的测试准确率为94.05%，测试损失为0.1759，这证明了模型具有良好的鲁棒性以及处理未知样本的能力。分期模型的准确率和损失变化曲线如（图4）所示。

基于集成学习的疾病分类模型

表2总结了训练后模型的准确率以及损失结果，训练和验证曲线见（图5、6、7–9）。在各个独立模型中，VGG16 和 MobileNetV2 表现最为...

讨论

本文提出了一种新颖的决策支持系统，该系统通过集成深度学习模型（VGG16、MobileNetV2 和 ResNet50）实现水稻叶片生长阶段的预测、病害分类，并基于网络应用程序提供分阶段的治疗建议。该集成模型在病害分类中的准确率达到98.99%，高于此前报道的单一模型性能；已有研究指出，单独使用的模型对偏差较为敏感，在泛化过程中容易发生误分类^1,10。该系统最重要的创新特征在于端到端的流程：农民上传水稻叶片图像后，可实时获得病害诊断结果及对应生长阶段的治疗建议，而此前的系统尚未实现此类集成化功能^3,7。

以往大多数关于水稻病害的深度学习研究均未探讨分类准确率之外的其他信息。Mohanty 等人展示了良好的基于图像的病害检测效果，但未包含生长阶段数据和治疗指南⁷。Jesie 等人采用混合卷积神经网络（CN...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
数据集	水稻叶期数据集（PaddyNet4）	4个生长阶段（第2阶段）共560张图像–5)
数据集	水稻叶片病害数据集	来自 Kaggle 的 6 种疾病类别的 6920 张图像
数据集	治疗数据集	按生长阶段汇总的疾病管理措施数据集
预处理	图像缩放	图像调整为 128x128x3
预处理	归一化	像素值已缩放至 [0,1] 范围
预处理	标签编码	将分类标签转换为数值
增强	旋转	最高30度
增强	宽度/高度偏移	高达 20%
增强	缩放	高达 20%
增强	剪切 &和；翻转	剪切与水平翻转
模型	CNN（分期分类）	具有3个卷积层的轻量级卷积神经网络
模型	CNN（疾病分类）	具有卷积和池化层的自定义卷积神经网络
模型	VGG16	迁移学习模型
模型	ResNet50	迁移学习模型
模型	InceptionV3	迁移学习模型
模型	MobileNetV2	轻量级迁移学习模型
技术	集成学习	5 个模型的平均概率投票
技术	迁移学习	使用预训练的 ImageNet 权重
技术	Dropout 正则化	为防止过拟合
训练	优化器	Adam（学习率 0.001）
训练	损失函数	分类交叉熵
训练	批次大小	10（分期模型），32（疾病模型）
训练	时期	10（分期），20（疾病）
评估	指标	准确率、精确率、召回率、F1分数
部署	Streamlit	用于实时预测的网络应用程序