澳大利亚查尔斯·达尔文大学、斯里兰卡佩拉德尼亚大学等机构科学家开发出一款轻量级人工智能（AI）平台，其AI模型在学习了该团队创建的全球首个番茄叶数据集SLIF-Tomato中的图像后，能以99%的准确率识别番茄作物疾病。

SLIF-Tomato数据集包含8934张图像。图片来源：澳大利亚查尔斯·达尔文大学

团队表示，这一成果将轻量级深度学习技术与真实的田间数据相结合，弥合了先进AI技术与农业实际应用之间的差距。相关论文发表于新一期《神经计算与应用》杂志。

SLIF-Tomato数据集包含8934张图像，分为8个类别：健康和7种疾病——细菌性斑点病、早疫病、花叶病、白粉病、败血症、枯萎病和晚疫病。

利用这些图像进行训练后，AI算法能像训练有素的眼睛一样聚焦，而非一视同仁地扫描新拍照片的每个部分。它会锁定照片中需要重点关注的地方，放大实际的病斑，而忽略土壤、阴影和背景树叶。忽视背景干扰、聚焦病虫害本身，使该AI平台识别病虫害的准确率超过99%。此前的研究表明，这一准确率只能在受控环境中实现。

传统的疾病检测往往依赖农民或农业专家的人工检查，这是一个耗时的过程，可能延误治疗并造成经济损失。而新的轻量级AI平台可使用资源受限的设备（如手机或嵌入式系统）快速识别疾病，有望最大限度地减少作物损失，帮助农民更有效实施治疗。从长远来看，这项技术可实现数据驱动的决策和更可持续地利用农业资源，为精准农业作出贡献。

接下来，团队计划把研究成果从实验室带到现实世界进行部署，并扩展数据集，以涵盖更广泛的作物和疾病。