论文标题：Plant Leaf Disease Detection Using Deep Learning: A Multi-Dataset Approach

论文链接：https://www.mdpi.com/2571-8800/8/1/4

期刊名： J — Multidisciplinary Scientific Journal

期刊主页： https://www.mdpi.com/journal/J

1. 文章导读

植物病害对全球农业生产力和粮食安全构成严重威胁。据估计，植物病害导致主要粮食和经济作物减产 20%-40%，每年因植物病害造成的损失约为 2200 亿美元。准确及时地检测这些病害对于实施有效的管理策略和最大限度减少作物损失至关重要。 开发负担得起且易于获取的植物病害检测工具，有望为农民赋能、减少作物损失并改善生计。

来自英国诺丁汉特伦特大学的Isibor Kennedy Ihianle副教授和其研究团队在 J — Multidisciplinary Scientific Journal 期刊上发表了一篇标题为《Plant Leaf Disease Detection Using Deep Learning: A Multi-Dataset Approach》的研究论文，旨在通过解决以下问题来探讨其中的一些挑战：

1.哪些因素会影响用于植物病害检测的深度学习模型的性能？

2.如何有效管理与数据多样性相关的问题？

3.在现实农田环境中实际应用需要达到什么样的准确率阈值？

2. 核心贡献

应用了增强的数据增强技术（如添加高斯噪声），以提高模型的泛化能力。结果表明，模型在不同数据集上的表现存在差异：

•在 PlantDoc 数据集上训练和测试时，EfficientNet-B3 达到了 73.31% 的准确率。

•在跨数据集评估中（在 PlantDoc 上训练，在网络采集数据集上测试），EfficientNet-B3 达到了 76.77% 的准确率。

•将 PlantDoc 和网络采集数据集结合时取得了最佳性能，准确率达到 80.19%，表明其在复杂条件下具有极好的泛化能力。

3. 实验设计与结果分析

本文提出了一个模块化且可扩展的检测流水线，包含四个核心模块：数据预处理、模型架构、模型训练（迁移学习）和评估。

使用了组合数据集，将 PlantDoc 数据集 与来自在线平台的网络采集植物图像相结合。本研究采用了最先进的卷积神经网络（CNN）架构（包括 EfficientNet-B0、EfficientNet-B3、ResNet50 和 DenseNet201），并针对植物叶片病害分类进行了微调。

研究设计了 5 个不同的实验，以评估模型的泛化能力和抗噪性能：

实验 1：PlantDoc 数据集内部训练与测试

•结果： 在无噪声情况下，EfficientNet-B0（72.03%）和 EfficientNet-B3（71.63%）表现最佳。ResNet50 准确率最低（55.08%）。

•类 F1-score： 树莓叶、南瓜粉霉病叶、葡萄叶的 F1-score 持续高于 0.90。

实验 2：PlantDoc 上训练 $\rightarrow$ 网络数据集上测试（跨数据集）

•结果： EfficientNet-B3 达到了 76.77% 的准确率（无噪声）；在添加噪声后，EfficientNet-B0 表现最好（75.25%）。

•分析： 证明了 EfficientNet 系列在跨数据集场景下的优秀泛化能力。

实验 3：组合数据集上训练 $\rightarrow$ 网络数据集上测试

•结果： EfficientNet-B3 达到了最高的 80.19% 准确率（加噪后仍保持 77.32%）。

•结论： 数据集的多样性显著提升了模型对真实世界噪声和图像变化的鲁棒性。

实验 4：网络数据集内部训练与测试

•结果： EfficientNet-B0 达到 78.78% 准确率，EfficientNet-B3 在加噪条件下达到最高 78.78%。

实验 5：网络数据集上训练 $\rightarrow$ PlantDoc 上测试（跨数据集）

•结果： DenseNet201 展现出最佳的一致性（无噪/加噪均为 59.13%），表明其密集连接结构学到的特征在跨域时更为稳健。

4. 研究结论与对比

研究证明了通过结合受控数据集与网络采集数据集，以及应用高斯噪声增强技术，能够显著提高植物病害深度学习检测模型在复杂真实环境中的泛化能力。

与以往研究的对比：

5. 总结与未来方向：

1.EfficientNet-B3 在综合性能、准确率和抗噪能力方面表现最为突出。

2.数据集融合（受控+真实网络数据）有效弥合了实验室与现实农田应用之间的差距。

3.未来工作： 探索领域自适应（Domain Adaptation）技术、多模态传感器数据融合（如光谱/环境数据），以及解决类别不平衡问题。

Krishna, M.S.; Machado, P.; Otuka, R.I.; Yahaya, S.W.; Neves dos Santos, F.; Ihianle, I.K. Plant Leaf Disease Detection Using Deep Learning: A Multi-Dataset Approach. J 2025, 8, 4. https://doi.org/10.3390/j8010004

期刊介绍

主编：Pietro Cipresso, University of Turin, Italy

J — Multidisciplinary Scientific Journal是一个涵盖所有自然科学与应用科学领域的国际性同行评审开放获取期刊。本刊诚邀并鼓励提交涵盖从基础研究到实际应用的各类成果，既包括单一学科内的研究，也包括跨学科研究。具体涵盖领域包括但不限于：生物学与生命科学、化学与材料科学、计算机科学与数学、工程学、环境与地球科学、医学与药学、物理科学、公共卫生与医疗保健。