- 4 次围观
香蕉病害在热带小农种植系统中造成了严重的产量损失，然而，准确的田间视觉诊断仍然十分困难：不同品种和生长阶段的症状表现存在差异，且多种病害会产生形态学上相互重叠的叶部症状。我们开发了一种概率图像识别框架，用于从田间照片中检测五种具有重要经济意义的香蕉病害——黄单胞菌枯萎病（Xanthomonas Wilt）、香蕉束顶病（Banana Bunchy Top Disease）、枯萎病（巴拿马病，Fusarium Wilt）、黄叶斑病（Yellow Sigatoka）和黑叶斑病（Black Sigatoka）——且无需对视觉骨干网络进行任何病害特异性的微调。该方法从 DINOv3 视觉基础模型中提取冻结的 1,152 维嵌入表示，并将其与条件归一化流相结合，在四个公开可用的数据集上进行训练，这些数据集涵盖了患病香蕉植株、健康组织、非香蕉植被以及一般自然图像。 在独立测试集中，将所有五种病害作为二元检测问题进行评估时，该模型的 F1 分数均超过 0.98，平均精度值为 0.968–0.999，AUROC 值为 0.997–1.0。多分类准确率接近完美，仅在黄叶斑病与黑叶斑病之间存在有限混淆——这是一种在生物学上合理的歧义，可归因于两者在感染早期叶部症状上的重叠。由于归一化流估计的是显式条件概率密度而非决策边界，因此可以推导出两个互补的对数似然比：其一为病害比率，用于将各病害类别与健康香蕉进行比较；其二为植株比率，用于将香蕉图像与非香蕉图像进行比较。二者共同定义了一个可解释的二维诊断空间，能够同时量化病害存在的证据和图像相关性，清晰地区分患病植株、健康植株和分布外图像，同时对不确定预测进行标记，以便开展确证性检测。基于冻结嵌入表示的推理计算开销较小，并兼容智能手机部署，从而为小农种植系统和病害监测项目提供了一种可扩展且具备不确定性感知能力的诊断工具。
用于基于概率信息从田间图像中检测香蕉病害的视觉归一化流 | bioRxiv 跳转到主要内容 主页 关于 提交 警报 / RSS 搜索此关键词 高级搜索 新结果 用于基于概率信息从田间图像中检测香蕉病害的视觉归一化流 Alisa Prusokiene ， Augustinas Prusokas ， 查看 ORCID 资料 Renata Retkute doi： https://doi.org/10.64898/2026.07.19.739426 Alisa Prusokiene 1 独立研究者； 在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本内容采用 CC-BY 4.0 国际许可 发布。 返回顶部 上一篇 下一篇 发布于 2026 年 7 月 21 日。 下载 PDF 数据/代码 电子邮件 感谢您有兴趣传播 bioRxiv 的内容。 注意：仅为识别您作为本文发送者，系统才会请求您的电子邮件地址。 您的电子邮件 * 您的姓名 * 发送至 * 可在每行单独输入多个地址，或用逗号分隔。 您将通过电子邮件发送以下内容 用于基于概率信息从田间图像中检测香蕉病害的视觉归一化流 消息主题 （您的姓名）向您转发了 bioRxiv 上的一个页面 消息正文 （您的姓名）认为您会对 bioRxiv 网站上的此页面感兴趣。 您的个人消息 验证码 此问题用于测试您是否为真人访问者，并防止自动垃圾提交。 分享 用于基于概率信息从田间图像中检测香蕉病害的视觉归一化流 Alisa Prusokiene ， Augustinas Prusokas ， Renata Retkute bioRxiv 2026.07.19.739426； doi： https://doi.org/10.64898/2026.07.19.739426 分享本文： 复制 引文工具 用于基于概率信息从田间图像中检测香蕉病害的视觉归一化流 Alisa Prusokiene ， Augustinas Prusokas ， Renata Retkute bioRxiv 2026.07.19.739426； doi： https://doi.org/10.64898/2026.07.19.739426
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.19.739426v1?rss=1
🏷️ 香蕉病害 田间图像识别 概率检测 归一化流 植物病害诊断 视觉基础模型