香蕉和大蕉对非洲的粮食安全和小农生计至关重要，但病害却构成了重大威胁。传统的病害监测方法，如实地考察，缺乏准确性，尤其是对于香蕉黄单胞菌枯萎病（BXW）等特定病害。为解决这一问题，本研究开发了一套深度学习系统，用于检测刚果民主共和国东部混合复杂地貌中受香蕉黄单胞菌枯萎病影响的茎秆。研究利用无人机 UAV 拍摄的 RGB（红、绿、蓝）和多光谱（MS）图像，使用平差算法改进数据融合。通过迁移学习，我们在研究中使用并比较了两种深度学习模型架构，以确定哪种架构能提供更好的检测能力。第一种是单级模型 Yolo-V8，第二种是双级模型 Faster R-CNN。所开发的系统在检测健康茎干和 BXW 感染茎干方面有显著的精确度、召回率和 F1 分数，介于 75% 和 99% 之间。值得注意的是，RGB 和 PAN 无人机图像表现优异，而 MS 图像由于空间分辨率较低而受到影响。然而，特定的植被指数显示出在更大范围内检测健康香蕉茎的良好性能。这项研究凸显了无人机图像和深度学习模型在作物健康评估方面的潜力，特别是在非洲复杂系统中的BXW方面。这种尖端的深度学习方法可以彻底改变农业实践，加强非洲的粮食安全，并帮助农民进行早期的病害管理。这项研究的新颖之处在于其深度学习算法的开发、采用最新架构（Yolo-V8、2023）的方法以及利用真实数据进行的评估，通过无人机图像和深度学习技术进一步推进了作物健康评估。

图1 使用 QGIS 软件和香蕉病害检测类别进行数据标注；a：使用矢量点标注健康和患病茎干，b：在每个茎干上生成多边形，c：受 BXW 感染的香蕉茎干，d：健康香蕉茎干

图2 R-CNN架构概述

图3 Yolo-V8架构概述

图4 RGB 正交分割图像的数据增强：(a) 原始图像（左）、旋转和增强亮度（右），(b) 原始图像（左）、镜像和噪声添加（右），(c) 原始图像（左）、镜像和平移（右），(d) 原始图像（左）、图像旋转和像素亮度降低（右）。

图5 部分注释的香蕉田；a：RGB、b：多光谱、c：PAN

图6 使用基于 UAV-DL 模型的香蕉 BXW 检测；a：RGB，b：多光谱，c：PAN

图7 香蕉生产多平台预警系统