农业维持着印度大部分农村人口的生计，但人工操作和病害管理仍面临挑战。为了解决这些问题，本文利用先进的深度学习技术提出了一种自动植物叶片损伤检测和病害识别系统。所提出的方法包括六个阶段：第一，利用 YOLOv8 从无人机图像中识别感兴趣区域；第二，利用 DeepLabV3+ 去除背景并促进病害分类；第三，采用 CNN 模型进行准确的病害分类，实现较高的训练和验证准确率（分别为 96.97 % 和 92.89 %）；第四，利用 UNet 语义分割在像素级进行精确的病害检测，评估准确率为 99 %；第五，评估病害严重程度；第六，根据病害类型和损害状态提出有针对性的补救措施。使用Plant Village数据集进行的实验分析表明，该方法在检测苹果、番茄和玉米等植物的各种缺陷方面是有效的。这种自动化方法有望提高印度及其他地区的农业生产力和病害管理。

图1 拟议的系统架构

图2使用Yolov8进行目标检测

图3 使用 DeepLabV3+ ML 模型选择感兴趣区域。

图4 西洋杉苹果锈的分割视图

图5 苹果的分割视图

图6番茄细菌性病斑的分割视图

图7 玉米锈病的分割视图

图 8对训练中的拟议模型进行损伤检测对比分析

图9 对正在验证的拟议模型进行损伤检测对比分析。

表1 病害严重程度估算

表2 病害症状和治疗方法