MUSES9-MS在西红柿病虫害上的应用

       番茄（Solanumlycopersicum）是全世界温带地区种植的一种主要园艺作物，估计全球产量超过1.7亿吨。番茄需求的跨界扩张为农业和营销业提供了新的机会。然而，这种农业生产的全球化对农业害虫的全球化有重大影响。世界贸易体系的发展导致入侵新地区的害虫种类急剧增加，造成蔬菜作物生产力下降，产品收获后的保质期受到威胁。茄科植物的两个主要害虫是番茄潜叶虫Tutaabsoluta（TA）和白粉病Leveillulataurica（LT），也被称为Oidium。

       TA（Meyrick）（鳞翅目：Gelechiidae）原产于南美洲，由于其高繁殖率和损害潜力，被认为是迅速扩张和破坏性强的番茄作物害虫之一，如果不采取积极措施，会造成作物的完全和不可逆转的破坏。该昆虫的生长周期取决于栽培期的普遍温度。雌性TA在植物的面积上产下多达250个卵，年轻的幼虫（苍蝇的虫子/后代在叶子上取食）开始从植物的冠层取食，在叶子上留下特征性的不规则的病变，形成长廊（图1），只要有食物，就会移动到新的取食地点。在虫害开始时，1st和2nd幼虫在叶子上形成小的白色长廊，而在3rd和4th长廊扩展到新叶，症状变成深褐色和坏死。这些病变由深色的排泄物组成，广泛的侵扰会导致叶片完全坏死和落叶。如果气候条件有利，幼虫几乎连续进食，一般不进入休眠期。当虫害发生时，TA幼虫可以造成50%-100%的产量损失，因此在早期阶段的控制是必须的。

        白粉病是一种内生性寄生虫，形成内生性和附生性菌丝体，最初在亚洲、地中海和非洲的温暖干旱到半干旱的气候区发现。在番茄中，白粉病通常只感染完全发育成熟的叶片，严重的感染可能导致相当大的损害。主要的症状是在叶子的背面有不规则的黄色斑点（直径约10-15毫米）（图1），在正面，由于共生孢子通过气孔冒出，形成薄薄的浅褐色菌丝体。一些研究报告称，温室和大田番茄的产量损失高达40%[。Desneux等人的报告中介绍，除非采取有效的控制措施，否则在相邻地区，该病可使番茄作物的产量损失高达80-100%，并可能对温室和露地的番茄作物构成威胁。此外，作物冠层上的病害严重程度会导致罐头番茄的果实质量显著下降。

图1.(a)：番茄潜叶蛾2nd龄幼虫在番茄叶片的间叶细胞中取食。

(b):番茄叶片背面的黄斑，处于白粉病感染的早期阶段。

      随着农作物病虫害发生率的增加，必须采用新颖、准确、及时的方法来识别早期症状。到目前为止，检测病虫害的普遍方法严重依赖农民的知识和经验，往往导致对风险的管理不及时、不准确和效果差。此外，尽管针对害虫和植物疾病的替代风险管理方法进行了深入研究，但直到今天，使用化学植物保护产品处理问题的传统方法仍是地中海种植区最常用的策略。不幸的是，如果病原体和害虫在种植中已经很成熟，杀虫剂和杀菌剂的功效可能会受到影响，并导致各种抗真菌和杀虫剂化合物的抗性发展。由于这个原因，杀虫剂和杀菌剂的应用往往是预防性的，从而引入了额外的固定成本，达到经营成本的15%以上，而且没有考虑到相关的劳动力、环境和健康危害成本。

       基于机器学习的视觉方法的发展，以及RGB和多光谱视觉传感器的商业可用性促进了开发和发展。部署疾病检测的自动化系统。这类系统可通过减少对劳动力和农用化学品的依赖来实现温室栽培的现代化。它们有可能允许对植物进行个性化管理，而不是像现在这样不加区分地在整个种植园进行干预，这导致了资源的浪费，并经常过度使用农用化学品。此外，它们可以减少对人的存在和人工干预的需求，并允许温室的全天候运行。

      在这种情况下，我们介绍了一个新的公开可用的多光谱图像数据集：3个RGB通道和2个近红外（NIR）通道的番茄植物，在被TA和LT感染的不同阶段。此外，我们应用一个适合检测由TA和LT引起的病变的系统。该系统框架采用了一个深度物体检测架构。最后，我们运行了一个基线模型Faster-RCNN，该模型已经在PASCALVOC2007[25]（73.2%的mAP）和2012（70.4%的mAP）的挑战中使用。

相关工作

对象检测

      由于由TA和LT产生的病变具有明显的可见特征，我们可以将它们视为可以在图像上定位的物体。在文献中，这个问题被称为对象检测，并得到了广泛的研究。正如Wand等人所述，深度神经网络（DNN）时代的突出对象检测从基于多线感知器（MLP）的架构开始，直到最近使用全卷积神经网络（FCN）的工作。

     框架使用基于区域的CNNs（RCNNs），它包含一个区域提议网络（RPN），同时允许通过使用特征金字塔网络（FPNs）进行规模不变的检测。

     一个物体检测器的基本设置是由一个特征提取模块组成的--在深度架构的情况下，这是一个经典的深度架构，如ResNet或VGG，已经被证明是有效的，不需要预先应用任何其他启发式规则。这些特征接下来会被其他模块用于分类、分割或突出图的生成等任务，根据应用情况而定。

      突出的FCN框架之一是Faster-RCNN：这是一个两阶段的物体检测器，使用一个带有数据驱动锚的RPN和一个负责微调和分类感兴趣区域（RoI）建议的"头"模块。RPN的使用摆脱了前面的工作如RCNN和Fast-RCNN中使用的选择性搜索的耗时过程。主要的区别可以在测试时发现，CNN的前馈程序比用选择性搜索形成同质区域的过程更省力。

    R-FCN在本质上与Faster-RCNN相同，唯一的区别是它有分数图来评估所提出的RoIs。SSD是一个单阶段的物体检测器，它使用多个卷积层来实现多尺度的检测。Yolo框架也是如此，该框架的多个模型已经发布：Yolo9000,Yolov3和Yolov4，专注于或实时的物体检测。另一个单阶段检测器，RetinaNet2018，在结构上与Faster-RCNN相似，但特征图是由最近的邻居采样产生的，而不是使用RPN。最后，CornerNet[39]和RepPoints尝试用不同的方式来表示地面真实区域，使用点而不是边界框。另外，FCOS提出了一个单阶段全卷积检测器，避免了使用RPN。DeNet也使用corners来作为其RoI协议的基础。

用于检测植物病虫害的深度学习

    最近的研究提出了新的检测方法，基于深度神经网络和物体检测模型来解决早期检测植物病虫害症状的难题。Raza等人展示了通过电子鼻（EN）结合神经网络技术对受感染（白粉病）的番茄和健康番茄作物进行分析和分类的数据收集，准确率高达98%。此外，Xu等人研究了近红外光谱的应用，利用叶片反射特性检测番茄叶片上的潜叶蛾害虫，并分析了不同波长的反射率，可以区分感染阶段。发现具有相关系数的波长是1450纳米和1900纳米。最近的研究项目ǣSOUP：无土栽培升级，旨在通过传感器网络自动监测植物生长，并引入机器人技术用于害虫管理。

     表1中一些研究专门针对番茄植物，提供了一个关于温室条件下的Tutaabsoluta的数据集。他们比较了预先训练好的完全卷积网络来识别图像中存在的疾病。与我们的数据集的主要区别是，标签是在整个图像上完成的，而不是在RoI上，这导致了分类，而不是检测任务。另外，每张图像一次只拍摄一片叶子，通常是叶子面向相机。在我们的案例中，整个植物都被框住了，叶子可能朝向各个方向，完全改变了病变的模式。这使得检测任务成为检测器要解决的更复杂的问题。

     另一方面，旨在对图像中的疾病进行定位。然而，他们使用的数据集的分辨率不一致，来自异质来源，这可能也是不同光谱响应的原因。然而，每张图像的内容大多是单叶。另外，他们提供的注释仅限于一个边界框，而我们提供的位图掩码可用于更广泛的架构，如Mask-RCNN。

     为了增加我们的贡献，上述所有的数据集都在。而我们的数据集不仅包括两个红外通道，还包括可见光谱中的三个通道，具有更多的窄带响应。Xu等人使用了一个类似的设置，其中包括远红外线谱段（7μm∼12μm和），但他们使用的装置为获取图像只提供了图像的俯视图。

从上面我们可以推断出，利用深度学习进行植物病害检测的关注度在文献中是很明显的。

植物病虫害的数据集

      在文献中，有各种研究图像中植物疾病检测的工作。其中很多人采用DNN架构来实现高效的病害检测，而另一些人则引入了新的数据集，以便对该主题进行进一步研究。相关数据集的属性是所考虑的植物、疾病、捕获的光谱、图像的内容和它的获取环境。为了使事情与我们的贡献保持一致，一些数据集也考虑到了番茄植物，而一些数据集则使用多光谱成像技术来进行分析。检测一种疾病。例如，像表1包括了他们的数据集中有患病番茄植株的案例。其中包括番茄植物上的TA和LT，以及其他植物疾病。此外，他们使用的数据集中还使用了多光谱（MS）、高光谱（HS）或近红外成像。然而、近红外可能包括在MS或HS波段中。最后，只有三个数据集是公开可用的：Cherry:PowderyMildew;Squash:Healthy,PowderyMildew;tomato:BacterialSpot,etc，tomato,cotton:Blacknightshade,Velvetleaf和apple:Rust,Scab。

  表1给出了相关数据集及其特点的摘要。很明显，缺少一个包括近红外通道的真实温室环境的公共数据集。更有甚者，在这种情况下，根本就没有TA和LT的多光谱数据。

 表1：数据集和文献中的相关研究。番茄植物、Tutaabsoluta、Leveillulataurica和近红外的出现以黑体表示。

S：光谱，D：数据集（u：未公开，p：公开），F：框架（l：叶片，p：植物），

E：环境（l：实验室，f：田野，g：温室）。

数据集开发

温室设置

      番茄苗（Solanumlycopersicumvar.Elpida）在四片真叶的阶段被移植到希腊地中海大学的实验温室设施中的岩棉板中，该温室为不加热的马鞍顶双跨温室，上面覆盖有聚乙烯薄膜。为了避免害虫和真菌疾病的转移，植物被种植在单独的防虫室（12平方米）中，这些防虫室的设计可以容纳六株发育完全的番茄植物。为了产生一个人造的潜叶蛾虫害，一个恒温条件，从当地商业温室中收集的昆虫，在番茄植物（Solanumlycopersicumvar.Elpida）实验室中设定环境（温度25◦C，相对湿度75±5%，12小时光照，12小时黑暗）。八周后，成虫被转移在实验温室的两个防虫室中，在9片完全发育的叶片阶段的无感染番茄植株（n=12）上设定成虫数量（每平方3只成虫）。

      为了产生人工白粉病感染，从当地商业温室中种植的番茄植物的嫩叶中分离出Leveillulataurica（Erysiphaceae）。分生孢子，即该真菌的孢子，通过用水密集地清洗被感染的叶片来收集。在光学显微镜下用血细胞仪对冲洗悬浮液中的分生孢子进行计数。在接种番茄叶片时，将悬浮液中的分生孢子浓度调整为每毫升1万个。转移到实验温室的两个独立的防虫室中。处理后，每天用按照计算的标准营养液对番茄植株进行施肥，使用IQ60自动营养液混合系统（Alagro，希腊）。

图像采集

       人工（L.taurica）接种两周后和接种西红柿叶片时，将悬浮液中的分生孢子浓度调整为每毫升10个分生孢子。悬浮液喷洒在番茄植株上（n=12），在9个月的阶段真叶展开，每株体积为5毫升。接种的植物在生长室中保持24小时，相对湿度为100%，温度为21°C。

     每三天采集一次番茄植株的多光谱图像。在这项研究中，我们使用了MUSES9-MS-PL多光谱相机（Spectricon，希腊），其特点是在370-1100纳米的光谱范围内，具有4~6百万像素的C-MOS@25f/s。该摄像机实现了每台摄像机捕获总共8个通道，分辨率为1776x2368像素。前3个通道是用典型的RGB传感器采集的，而其余的是通过多光谱传感器采集的。后面的三个通道分别选择在460纳米（近蓝）、540纳米（近绿）和630纳米（近红）。这些波长通常与RGB相机使用的波长接近，但是多光谱传感器在这些频率周围的响应比RGB相机的响应更密集。          最后2个通道是在红外光谱区域，波长为850纳米和980纳米。表3显示了每个波段的宽度。MUSES9的应用包括非破坏性物体分析、生物医学光学成像、绘画中的颜料识别和绘图，以及微塑料污染的多光谱显微镜。

      表2中该数据集共包含314张图片，按植物、日期、症状和RoI标记。在该数据集中，179张图片显示TA症状，103张显示LT症状，32张显示无症状。由于植物是在不同的发育阶段被捕获的，因此图像同时描述了虫害或疾病症状的早期和晚期阶段。此外，该数据集共获得5个通道：460纳米，540纳米，630纳米，850纳米，980纳米，相比之下，书目中的大多数数据集只用标准的RGB相机获取。最后，由于图像是在实验温室内拍摄的，因此在整个数据集中保持了一致和真实的环境条件。在假设LED光源在整个数据集中提供一致的照明的情况下，没有进行图像校准。光源被安装在相机镜头周围，而图像是在白天拍摄的。光源是一个在紫外线（UV）、可见光和近红外光谱中发光的LED灯泡的圆形阵列。简单地说，在紫外线下有一个单向的狭窄反应，其模式在∼375nm，可见光谱中具有更广泛的响应，模式在~550nm，在近红外也有广泛的反应，模式在~900nm。该数据集是公开的，可用于未来的发展。图2中可以看到一个样本立方体。

表2：数据集中每个病变类型和进展水平的样本数。

图2.数据集的多光谱立方体。顶部：850纳米和980纳米的近红外通道。

底部：红色、绿色和蓝色波长区域的可见光谱通道（见表3）

图像注释

每张图片都由一位农艺师专家使用VGG图像注释工具手动注释。每个病变都用一个边界框进行定位，结果用COCO对象检测数据集的格式存储在JSON文件中2。作为二级元数据集的数据，每个病变也根据其进展程度进行标记，1表示1-5个病变，2表示到5-10个病变，3表示10-20个病变。在进展程度较高的情况下，害虫和疾病症状已经超过了病变检测的临界点，为了预防的目的，将没有意义。没有明显症状的图像被注释为0级。

表3MUSES9-MS-PL相机支持的波长区域和目前研究中使用的波长区域。

图3.多光谱图像采样安排的俯视图（a）和侧视图（b）。相机设置在距离番茄植株1.00米处。

从三个高度（h=0.75、1.00、1.40米）和两个方位角（A=15∘，B=-15∘）获取图像。

自动检测方法

前景分割

      为了计算病变与健康比率（LHR），我们必须对图像的前景进行分割，该前景由绿色植物生物量组成。为此，我们对NDVI图像进行了基于直方图的阈值处理。根据绿色通道（540纳米）和NDVI图像来选择较佳阈值。归一化差异植被指数（NDVI）在文献中被广泛使用，用于区分与产量相关的生理特征，其计算方法如下：

其中近红外是通道980纳米，红色是通道630纳米。所用的阈值不是任意选择的，而是计算出通道540纳米（I540）和NDVI（INDVI）之间的归一化相关系数（NCC）最大化的参数。这两个图像之间的NCC被定义为以下标量：

     其中，符号是元素位乘积，H和W是图像的高度和宽度。I540和INDVI是经过阈值处理的通道540nm和NDVI各自的图像，给定一组阈值旨在分离出其直方图中有用裂片的支持。I540和INDVI是上述图像的平均像素强度。这个过程在不同的阈值集上系统地重复。这对产生的NCC被保留。

      这个程序背后的想法是，在没有正则器存在的情况下，单独的NDVI不能被系统地阈值化。这就是在这里引入通道540纳米的意义，作为一个正则器，因为在一个理想的情况下，它包含了图像中较绿色的部分，很可能是叶子。最后，我们所说的"阈值"实际上是一个强度的元组，意味着直方图被裁剪，以准确匹配与叶子相对应的直方图叶。在图4中可以看到一个分割的例子。

     可获得的多光谱相机的出现使NDVI在实验室范围内得到使用，最近在番茄树冠和健康评估中得到应用。然而，就我们所知，NDVI还没有在机器学习框架内实现对害虫或疾病检测的研究。

图4.从630纳米和980纳米通道计算的NDVI等图像

Faster-RCNN和它的多通道变体

     一个物体检测模型是Faster-RCNN。通过使用卷积层，RPN的输出被评估为包含或不包含一个物体的概率。有可能包含物体的盒子被传递到非较大抑制模块，该模块会丢弃那些有极大重叠的盒子，只留一个。剩余的界线盒用另一个卷积层进行分类，产生界线盒的预测及其类别。在训练过程中，RPN是与网络的其他部分分开训练的。也就是说，建议被回归到地面真相框。

     当涉及到利用全部可用的波段时，我们使用了一个带有FasterRCNN头和两个相同的预训练骨干的定制模型：一个用于RGB通道，一个用于850nm。更详细地说，如图5所示，由两个ResNet架构产生的特征通过一个简单的2d卷积层合并在一起，并输入Faster-RCNN头。

图5.多通道疾病检测模块的设计。它可以取代流程中的疾病检测部分，以便使用3个以上的通道。

评估措施

评估物体检测器的一个直接方法是计算输出框和地面真实框之间的联合交集（IoU）。图6说明了IoU。然而，这种天真的方法完全忽略了什么是好的检测器，也就是通过一次检测对地面真实箱进行预先的预测。例如，一个检测器在预测每个地面实况框的多个边界框时达到了很高的IoU，就不被认为是一个好检测器。产生的问题是如何对待重复的检测。答案取决于应用的决策规则。该过滤步骤可以基于IoU、分类分数或这两者的混合。COCO算法所做的是在一个IoU曲线上进行整合。在预测和地面真相之间保持较低的IoU阈值将允许较小的预测通过，而较高的阈值将只接受两者之间的高度重叠。详细地说，COCO的阈值只在IoU上进行重复检测，并且对多个阈值都是如此、最终计算出一个平均精度。对所有的类都这样做，可以得到一个平均平均精度（mAP）。作为参考，我们使用了Pycocotools的执行库。在他们的执行中，每个地面真实箱都与较佳预测相匹配（从分数上看和从IoU上看）。在物体检测文献以及LSVRC和COCO等比赛中，平均精度已经成为一个基准指标。

除了COCO指标外，我们认为从农学家的角度来看，有价值的是以不同的方式评估我们的结果。基于这个原因，我们也将每张图片作为一个整体进行评估检测。详细来说，如果有一个检测与一个地面真实箱相匹配，则该图像被认为是真阳性（TP）。如果没有检测到，但至少有一个地面真相框，则该图像算作假阴性（FN）。相反，如果至少有一个检测，但没有地面真相框，则算作假阳性（FP）。

图6.闭合曲线之间的交集（IoU），这里是两个边界盒。A和C是不相交部分的面积，B是相交部分。

所有的这些定义了联合区域。

深度学习设计

该管道的拟议模块显示在图7中。在图像采集之后（见b），光谱立方体被归一化为平均数和标准差，以便遵循数据集COCO引入的先验因素，我们用它来预训练我们的模型。在第三步，这些立方体被送入检测管道深度神经网络，产生形式为(x,y,width,height)的边界盒，以及它们各自的分类分数。每个边界框定义了一个潜在病变的界限。在最后一步，由此产生的边界盒根据网络的置信度进行过滤。剩下的检测结果被用来计算两个指数。第一个是用于性能评估，即我们计算平均精度（AP），如COCO评估程序中提出的。第二个是病害面积与健康叶片面积之比（见b节），这对农学家来说是一个有用的测量，可以估计疾病的阶段。

图7.深度学习管道的设计

实验设计和评估

在我们的实验中，我们旨在展示在真实条件下使用深度学习病变分割框架的可行性，以及使用近红外通道来提高其效率的潜力。

我们使用的主要工具是PytorchFaster-RCNNimplementa-tion，其中ResNet50骨干特征提取器在Image-Net上进行了预训练，而整个网络则在COCO'17上进行了预训练。从从这个模型的快照开始，我们继续使用"近似联合训练法"进行训练：即来自分类器、bbox回归器的损耗和RPN-bbox回归器加在一起，形成一个损耗，这个损耗在整个模型参数中被反向传播。最后，我们为自己的评估方法选择了IoU和分类分数阈值，而对于COCO的评估，我们将其保持在默认值（IoU阈值=0.5，得分阈值=0.5）。

为了清楚地展示近红外通道的附加价值，我们设立了两个实验。在第一个实验中，被称为A，我们使用通道630纳米，540纳米，460纳米作为三个通道输入到一个香草预训练的Faster-RCNN模型。

在第二个实验中，B，我们即兴创作了一个两个并行的骨干结构，为我们的输入增加了三个通道。这些通道是850纳米、980纳米和阈值化的NDVI。第三个基本上是立方体的叶子区域的掩码。在这个实验中取得了较高的mAP分数（见表4）。

表4使用Pycocotools库的Faster-RCNN检测器的评估结果。平均精度以黑体字出现。这两个表格分别指的是实验A和B。对于每个指标，还提供了每个输出类别的分数。结果是五重交叉验证的平均值。

为了详细说明这些结果，我们需要澄清COCO评估的一些概念。当把地面真实箱体与探测结果相匹配时，COCO考虑了一个较大的探测数量，即maxḋets，超过这个数量的所有探测都会被丢弃。这个阈值默认设置为1、10和100。bbox_sizes表示用于评估的盒子的类型。检测根据其大小被分为小、中、大。这设法显示了系统是如何在这些情况下分别形成的。

图4收集了这两个实验。我们对A和B的mAP值分别为16.0%和20.2%；这可能看起来很低，但我们应该牢记实际温室的操作条件，而不是实验室，这些图像是在这种条件下捕获的。我们的推测是:由于地面真实边界框的大小和长宽比的不同，再加上图像中出现的不均匀分布，由于平均化而产生了较低的mAP值，而平均化是与此类参数无关的。

表5

使用提议的评估方法的检测结果。每张图像都构成一次检测，从农学家的角度看，这是有意义的，因为仅仅是植物上存在病害就足以让专家采取行动。这两个表格分别指的是实验A和B。对于每个指标，还分别提供了每个类别的得分。结果是五重交叉验证的平均值

最后，在b节中讨论的第二个性能测量技术的结果显示在表5中。同样，在我们的模型中增加额外的通道作为输入，再加上所使用的第二条主干线，显然可以改善结果。这个评估技术的目的是回答专家的问题"这个植物上是否存在病变？"。这个问题很容易用对象检测器来回答，它产生的结果在数字上很高（>90%）。

从结果中也可以看出，无论哪种指标，该模型对LT的整体表现都更好。这可能是由于LT在叶子上有一个微妙的外观，长宽比大致恒定。相反，TA在视觉上更清晰，成长和改变形状的速度更快。因此，我们推测，LT例子的一致性使其检测比TA的检测更容易。

讨论和结论

为了进一步解释我们的结果，我们需要考虑所提出的方法所评估的虚假检测的类型。一方面，假阳性（FP）情况通常发生在模型将叶子形态（例如一个洞）解释为病变，或者当多次检测包含地面时。这两种情况的例子显示在图8a中。根据受FP影响的mAP的结果，在Faster-RCNN结构中使用FPN模块有助于克服检测小病变的问题，特别是在接种的早期阶段出现。另一方面，影响mAR指标的假阴性（FN）可能在两种主要情况下出现。一种情况是，由于能见度低（图8c），即使是专家也很难决定病变的存在与否。另一种情况是当一个检测占了多个相邻的枯燥的地面真实箱（见图8c，右）。COCO数据集格式支持这样一个边界盒的注释属性，称为"群"。然而，典型的使用情况是当图像中存在同一类别的物体重叠的时候。在我们的案例中，即使有非常接近的病变实例，也不清楚在哪个界限之后它们应该被称为"群"。这是由疾病的性质决定的，它扩展了迷宫式的模式。

使用后者的架构，可以获得更少的次级通道、需要一个额外的模块将通道数量转换为三个，以便将其送入主干网。这个K-to-Three通道的卷积层引入了一个问题，即如何在已经预训练过的骨干网旁边训练额外的未训练过的模块。即使近红外提供了额外的输入，也会导致更好的结果。我们尝试着将其与其他预训练的骨干模块一起进行天真地训练，然而它产生的结果比预期的要低，这就是为什么我们把它放在未来的工作中。

最后，这项工作为Tutaabsoluta和Leveillulataurica提供了一个公开可用的多光谱数据集，并为它们在接种的早期阶段的定位和分类提供了一个基准实验。据我们所知，这个数据集是独一无二的。此外，我们还展示了多光谱数据的近红外通道通过使用NDVI-630纳米通道对在预处理过程中为背景提取提供了附加价值，并且可以通过在通常使用的RGB通道之上纳入额外的通道来进一步提高检测结果。由此产生的数据集和方法可以很容易地应用于温室西红柿栽培的图像识别应用，以达到疾病和宠物管理的目的。特别是在支持自动图像采集的系统中，如机器人和摄像设备的应用。

图8.(a)：由于对单一的地面实况进行多次检测而产生的假阳性；(b)：由于能见度低，地面实况模糊不清。

(c):由于低能见度导致的假阴性例子和（d）："群"状的病变群。

图9.使用Faster-RCNN

(a,b)：白粉病和（c,d）：番茄潜叶蛾。

摘自：A Multispectral Dataset for the Detection of Tuta Absoluta and Leveillula Taurica in Tomato Plants

P.S. Georgantopoulos, D. Papadimitriou , C. Constantinopoulos , T. Manios ,I.N. Daliakopoulos , D.Kosmopoulos