基于CNN的马铃薯叶部病害识别—一种轻量级方法-慧诺瑞德（北京）科技有限公司|叶绿素荧光|光合作用|植物表型

新闻中心

全部分类

基于CNN的马铃薯叶部病害识别—一种轻量级方法

发布时间：

2025-04-13

来源：

作者：

利用人工智能模型训练获取可靠、准确的数据是当前农业植物病害监测的重要手段。马铃薯因其品种、气候和环境因素不同，其叶片病害检测具有相当大的挑战性。目前报道较多的植物病害分类模型是基于VGG16、Inception V3、ResNet50。本研究针对马铃薯叶枯病建立了一个全新的卷积神经网络分类模型。与现有方法相比，该模型具有稳健和轻量级的双重优势。

试验将马铃薯叶片分为三组，即患病早期、晚期以及健康组。使用“PlantVillage”和PLD两个标准的公开可用数据集进行训练。结果显示，该模型在两个数据集上分别实现了99.3%和99.23%的正确率。为达到上述精度，作者在数据采集后的预处理阶段使用了图像增强算法CLAHE。

该模型构建方法简便，层数更少且参数较少，在计算受限的环境中可高效发挥作用。下一步研究将聚焦提高提模型泛化性，使其能够识别除马铃薯以外的各种作物病害。同时尝试进一步最小化参数，使模型更加高效。

图1. 模型流程

图2. 混淆矩阵

图3. 训练验证准确性

图4. 不同卷积层的特征提取输出

图5. 训练验证损失

图6. ROC曲线

表1.精度测量与其他模型的比较

来源

P. Khobragade, A. Shriwas, S. Shinde, A. Mane and A. Padole, "Potato Leaf Disease Detection Using CNN," 2022 International Conference on Smart Generation Computing, Communication and Networking (SMART GENCON), Bangalore, India, 2022, pp. 1-5, doi: 10.1109/SMARTGENCON56628.2022.10083986.

编辑

JAYz

推荐新闻

石时之约|韩志国：透过表型数据，看见植物的喜怒哀乐！

本期石时之约，我们将对话慧诺瑞德（北京）科技有限公司总经理、国际植物表型学会（IPPN）执委会委员/工业分会副主席韩志国，一起从表型数据的科学角度，去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起，为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种，是在给定的环境条件下，选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种，从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选，是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”，要在肉眼可见之前就能测量并预判出变化趋势，才是这个技术的核心价值。叶绿素荧光成像，恰好满足了这个要求。

视频展示