AI利用近9,000張田間影像精準辨識番茄病害

文章來源 : 農業科技新脈動 2026-11-20
真實田間影像建立番茄病害資料集
澳洲查爾斯達爾文大學(Charles Darwin University, CDU)、斯里蘭卡佩拉德尼亞大學(University of Peradeniya, UoP)等研究團隊,共同建立「斯里蘭卡田間番茄資料集」(Sri Lankan In-Field Tomato, SLIF-Tomato),以真實田間環境影像訓練AI辨識番茄病害。該資料集具備病害類別標籤及病斑邊界框標註,可望改善過去AI病害辨識多仰賴控制環境影像,實際應用於田間時易受複雜背景干擾的問題。
影像擴增結合注意力模組降低背景干擾
SLIF-Tomato原始收錄890張番茄葉片照片,涵蓋健康葉片及7種病害,包括細菌性斑點病、早疫病、嵌紋病、白粉病、斑枯病、萎凋病及晚疫病;經兩階段影像資料擴增後,共建立8,934張影像。研究團隊進一步導入「反向殘差卷積區塊注意力模組」(Inverted Residual Convolutional Block Attention Module, IR-CBAM),使AI模型優先辨識顏色、紋理及邊緣等重要特徵,並將注意力集中於實際病斑位置,降低土壤、陰影及背景葉片等資訊造成的干擾。
病害辨識準確度超過99%
研究結果顯示,此方法可使番茄病害辨識準確度超過99%,顯示AI即使面對背景複雜的真實田間影像,仍具有高度辨識能力。研究所採用的模型亦具輕量化特性,未來可望部署於手機或嵌入式系統等運算資源有限的裝置,讓農民能在田間快速進行病害辨識,降低對人工巡查及專業人員判讀的依賴。
AI病害辨識支援精準農業管理
番茄病害若未及早發現或發生誤判,除可能造成產量損失,也可能因不當或過度使用化學藥劑增加人體健康及環境風險。透過AI早期辨識病害,可協助農民掌握適當防治時機,提升用藥精準度及生產管理效率。未來研究團隊將進一步進行實際場域應用,並擴充更多作物與病害影像資料。此類結合真實田間資料與AI影像辨識的技術,亦可延伸至作物表型調查、抗病性評估及育種材料篩選,作為精準農業與數位育種的重要輔助工具。






