印度Koneru Lakshmaiah Education Foundation的研究團隊開發出一款名為ACCM-Net的AI模型，能以高達97.56%的準確度辨識小麥葉部病害。這項技術透過深度學習與影像處理，克服了早期病徵難以人工區分的挑戰，有望協助農民更早發現並治療作物病害，減少農業損失，推動精準農業的發展。
印度Koneru Lakshmaiah Education Foundation（Koneru Lakshmaiah Education Foundation）的研究團隊，近期開發出一款名為ACCM-Net的輕量級深度學習模型，旨在以高精度分類小麥葉部病害。這項技術的整體辨識準確度高達97.56%，有望提升農業診斷效率，協助農民更早因應作物健康問題。
在全球範圍內，小麥葉部的真菌病害如Septoria tritici blotch和Stripe rust，往往導致嚴重的產量損失。這些病害在初期階段的症狀，例如葉片黃化、出現斑點或壞死病變等，在視覺上極為相似，使得人工辨識變得困難重重，經常導致診斷模糊或延誤治療，進而加劇經濟損失。
為了解決現有深度學習模型在處理類別不平衡、複雜病灶模式及非均勻田間條件方面的限制，研究團隊開發了ACCM-Net。這是一種人工智慧（AI）模型，透過分析大量圖像資料來學習辨識特定模式，進而判斷植物的健康狀態。該模型結合了MobileNetV2作為核心骨幹網路，並導入了Convolutional Block Attention Module（CBAM）技術，以提升模型對病徵的關注與判讀準確性。此外，ACCM-Net還包含三階段的影像前處理流程，能將RGB影像轉換為CIELAB色彩空間，並透過CLAHE技術增強亮度，最終運用Sobel邊緣偵測來提取梯度資訊，進一步清晰化病害特徵。
ACCM-Net模型在來自Kaggle平台的407張原始小麥葉片圖像數據集上進行了評估，展現出卓越的性能。除了97.56%的整體準確度外，其F1-score達97.60%、靈敏度（Sensitivity）為98.41%，特異性（Specificity）則高達98.92%。相較之下，其他效能次佳的模型如MobileNetV2和InceptionV3的準確度約為95%。ACCM-Net的參數約為398萬個，每張圖像的推論時間僅需40.58毫秒，顯示其在效率與準確度上的優勢。
這項輕量級且高效率的AI偵測技術，為農作物病害的早期診斷與精準治療提供了實用工具，有助於降低農業經濟損失。對於台灣等農業地區的農民而言，類似的AI偵測技術也能協助他們更有效率地管理作物健康、提升產量與品質，進而推動精準農業的發展。儘管如此，該模型目前仍受限於相對較小的原始圖像資料集，未來需透過更多數據以驗證其廣泛適用性。