• 文章背景

在草莓栽培中，精确的病害管理对提高产量和减少不必要的杀菌剂使用至关重要，而叶片湿润持续时间 (LWD) 是评估灰霉病和炭疽病等真菌病害风险的关键参数。传统测量方法依赖传感器，但在准确性和可靠性方面存在局限，且校准困难。为克服这些问题，来自佛罗里达大学的学者Akash Kumar Kondaparthi、Won Suk Lee以及Natalia A. Peres在Sensors 发表了相关研究文章。该研究引入了一种结合卷积神经网络 (CNNs) 的高分辨率成像系统，通过分析参考板图像精确判断湿润度，进而确定LWD。该系统集成至草莓咨询系统 (SAS) 后，为优化病害风险评估及杀菌剂施用策略提供了高效解决方案，有望显著提升草莓生产的经济效益与可持续性。

新系统设置：(a) 整个系统视图，(b) Plant City的湿度检测系统组件。与常规系统相比，该系统配备了高分辨率相机以及更高功率的 LED 光源。

• 研究过程与结果

为提升草莓病害管理中叶片湿润持续时间 (LWD) 的监测精度，美国佛罗里达大学研究团队提出了一种基于分治策略的创新算法，利用高分辨率成像与深度学习技术实现精准湿检测。该系统部署于佛罗里达州锡特拉市的植物科学教育与研究中心 (PSREU)，并扩展至多佛 (Florida AG Research) 和吉姆茂 (GCREC) 等地。2023年10月，团队在普兰特城商业农场 (Fancy Farms) 部署了升级版系统，采用树莓派Camera Module 3相机 (分辨率4608×2592像素)、哑光白色丙烯酸参考板 (12.7 cm×19 cm)、LED照明及太阳能供电单元，每15分钟自动采集图像并上传至云端分析。

系统方框

算法核心包含两阶段分类：首先通过CNN模型将图像按光照条件分为五类 (Blue、Blurry、Cloudy、Day、Night)，训练融合时间戳信息，测试准确率达92.0%；随后针对不同类别分别训练湿检测CNN模型。Blue与Cloudy图像因特征相似合并训练，测试准确率97.4%；Day类图像模型测试准确率98.9%；Night类模型测试准确率97.3%。Blurry图像因镜头覆有水滴直接判为湿润。模型训练集共8485幅图像 (90%)，测试集944幅 (10%)，湿检测子集独立划分。

时间分类的混淆矩阵

结果显示，集成算法在8896幅测试图像中整体准确率达95.8%，与人工观测高度吻合 (95.75%)，优于先前研究 (94.4%)。与草莓咨询系统 (SAS) 传感器数据对比，相关性为83.8%，但系统预测的LWD略短于人工观测，SAS阈值最低。混淆矩阵分析表明，误报 (3.1%) 主要源于参考板积尘或昆虫干扰；漏报 (7.5%) 多因露水初凝时微滴 (<1 mm) 难以识别。日间模型可清晰分辨湿润与干燥实例，夜间模型则依赖LED光源照明来呈现水滴的阴影，实现检测。

• 研究总结

本研究通过引入高分辨率成像与分时分类CNN框架，显著提升了LWD监测的精度与可靠性。该系统在佛罗里达州多地验证，整体准确率达95.75%，为草莓病害风险评估提供了高效工具。集成至SAS后，可优化杀菌剂施用策略，兼具经济与可持续效益。未来改进方向包括：采用时间序列模型追踪露珠动态以提升微滴检测能力，以及通过自动清洁或抗老化材料降低参考板退化导致的误报。系统在尘染、昆虫干扰及极端天气下的鲁棒性仍需进一步优化，但其分治架构为精准农业传感树立了新范式。

阅读英文原文：https://www.mdpi.com/2885670

• Sensors 期刊介绍

主编：Vittorio M. N. Passaro, Politecnico di Bari, Italy

期刊涵盖所有传感器科学和技术研究领域，例如物理传感器、智能传感器、传感网络、生物传感器、化学传感器、雷达、可穿戴电子设备和先进的传感材料及其在物联网、工业、农业、环境、遥感、导航、通信、车辆、成像、生物医药等领域的应用。目前期刊已被SCIE (Web of Science)、PubMed、EI Compendex、Scopus等数据库收录。

2024 Impact Factor：3.5

2024 CiteScore：8.2

Time to First Decision：17.8 Days

Acceptance to Publication：2.6 Days

期刊主页：https://www.mdpi.com/journal/sensors