植物表型和精准农业属于高通量信息和计算机技术领域，对植物疾病的检测和诊断具有特定的挑战和需求。准确、早期诊断和检测植物病害是影响植物生产、减少作物产量定量和定性损失的重要因素。

本文提出了一种新的基于深度学习的精准农业植物病害自动检测与分类(DL-APDDC)模型，此模型主要用于叶区和果区植物病害的识别和分类。试验使用两个植物病害数据集:马铃薯叶片病害数据集和柑橘果实数据集对DL-APDDC方法进行了验证。首先，利用基于U2Net去除叶子和水果背景区域。其次，利用基于SqueezeNet模型的Adam优化器作为特征提取器对超参数进行调优。最后，利用极限梯度增强(XGBoost)分类器对植物病害进行分类。在植物病害基准数据集上对DL-APDDC技术进行了实验验证。仿真结果表明DL-APDDC方法的结果优于其他模型。

图3a-b为利用马铃薯数据集基于DL-APDDC算法的混淆矩阵结果；图6c-d显示了在训练集和测试集下DL-APDDC模型的精度及召回率分析；图6e-f显示了训练集和测试集下DL-APDDC算法的ROC值。从图中可以看出，DL-APDDC方法在不同类别标签下的ROC值最大。图4给出了DL-APDDC模型在马铃薯数据集上的整体植物病害分类结果。结果表明，DL-APDDC方法在TR和TS数据集上都取得了有效的结果。在TR集上，DL-APDDC模型的准确率为96.44%，精确率为96.55%，召回率为96.44%。表1是DL-APDDC模型在马铃薯数据集上的整体准确性检验。结果表明，CNN-RF法的准确率最低，为79%。同时，CNN-SVM、GoogleNet和VGGNet的准确度值相对接近；CNN-ANN模型具有92%的准确率，DL-APDDC模型的分类准确率最高，达到96.44%。

图5a-b为利用柑橘训练集下的DL-APDDC模型呈现的混淆矩阵结果；图5c-d显示了在训练和测试集下的DL-APDDC方法的精度及召回结果。这些数字表明，DL-APDDC技术在所有类别下都达到了最高的精确度召回性能。最后，图5E-F为在训练和测试集合下对DL-APDDC模型的ROC值。该图描述了DL-APDDC技术在不同类别标签中取得了最大ROC值的结果。图6给出了DL-APDDC算法在柑橘数据集上的总体植物病害分类结果。结果显示DL-APDDC方法在TR和TS数据集下均获得了较好验证。同时，DL-APDDC模型在TS集上达到了95.45%的准确率, 98.33%的精确率, 90%的召回率。表2显示DL-APDDC技术在柑橘数据集上的整体准确性检查。结果表明，线性支持向量机的准确率最低，为74%。同时，线性判别、二次支持向量机和三次支持向量机方法报告了相对接近的精确值，分别为74.09%、77.15%和78.82%。而DL-APDDC技术的分类性能最好，准确值为96.08%。

图1. DL-APDDC系统工作过程

图2. XGBoost框架

图3. 马铃薯数据集结果

图4. DL-APDDC模型对马铃薯数据集的结果分析

表1. DL-APDDC模型与其他方法对马铃薯数据集的比较分析

图5. 柑橘数据集结果

图6.不同度量的DL-APDDC模型对柑橘数据集的结果分析

表2. DL-APDDC算法与其他方法对柑橘数据集的比较分析