本文分析了基于残差网络(ResNet)的卷积神经网络(CNN)结构在植物表型研究中的应用。在当代的植物物种识别(SR)和感染检测工作中，大多数都在平衡数据集上进行了实验，并以准确性作为评估参数。然而，本文使用了具有不相等数量图像的不平衡数据集，应用数据增强来提高准确性，将数据组织为多个测试用例和类，最重要的是，采用了用于非对称类分布的多类分类器评价参数。此外，本文还解决了一些典型问题，如选择数据集的大小、分类器的深度、所需的训练时间，以及在部署各种测试用例时分析分类器的性能。

基于计算机视觉的植物表型分类

基于计算机视觉的分类流程

研究结果表明，ResNet20(V2)架构在物种识别(SR)和健康和感染叶识别(IHIL)任务中表现出色，精度分别为91.84%、84.00%，召回率分别为91.67%、83.14%和F1分数分别为91.49%、83.19%。

图像样本后预处理阶段

分类器的性能分析

来源：

Hati J, and Singh R. Artificial Intelligence in Smart Farms: Plant Phenotyping for Species Recognition and Health Condition Identification Using Deep Learning. AI 2021, 2(2), 274-289; https://doi.org/10.3390/ai2020017.