棉花是巴基斯坦最重要的农产品之一，与巴基斯坦的经济发展密切相关。然而，棉花容易受到细菌和病毒性疾病的影响，这些疾病可以迅速传播并损害植物，最终影响棉花产量。对受影响植物的自动化早期检测可以显著减少疾病的潜在传播。本文介绍了基于深度学习技术的棉花白叶枯病和旋毛虫病毒疾病检测的实现和性能分析。通过对DenseNet121、DenseNet169、MobileNetV2、ResNet50V2、VGG16、VGG19 6个预训练深度学习模型进行迁移学习，实现自动化疾病检测。使用1362张当地农田的图像和1292张在线资源图像对模型进行训练和验证。采用执行图像增强技术以增加数据集的多样性和大小。迁移学习实现了不同的图像分辨率范围从32×32到256×256像素，并对每个实现的模型评估了准确率、精确率、召回率、F1分数和预测时间等性能指标。结果表明，当在256×256像素图像数据集上训练时，DenseNet169和ResNet50V2模型的准确率更高达96%。在对低分辨率32×32图像进行训练时，MobileNetV2模型获得了最低的52%的准确率。混淆矩阵分析表明，当在128×128像素或更高分辨率的图像数据集上进行训练和测试时，所有实现的模型对新鲜叶片的真阳性预测率高于91%，对细菌枯萎病的真阳性预测率高于87%，对curl病毒的检测率高于76%。

本项研究介绍了基于迁移学习的六个最先进的预训练深度学习网络(包括DenseNet121、DenseNet169、MobileNetV2、ResNet50V2、VGG16和VGG19)的棉花植株自动疾病检测的实现和性能分析。考虑了棉花最常见的两种病害，即细菌性枯萎病和卷曲病毒。应用标准图像增强技术来增加数据集的大小和多功能性。在四种不同的图像分辨率下实现了迁移学习，代表了图像特征的多个层次。所实现模型的性能比较表明，在低分辨率图像上训练时，准确率较低。模型间比较表明，DenseNet169模型最准确，训练准确率高达96%。本研究为将迁移学习模型应用于棉花病害实时检测系统提供了实用的见解，但也存在一些局限性，需要进一步研究。目前的研究仅包括从两个地点收集的有限的本地数据集。通过在全国范围内收集具有不同地理和气候特征的数据集，可以进一步提高模型的可靠性和准确性。此外,在CPU上执行当前的实现,限制了其实际应用。未来在智能手机和嵌入式控制器等移动平台上实施的模型将提升其影响，并使其能够覆盖最终用户。

图1 (a)从本地站点收集并来自Kaggle的量化分布图像；(b)从巴基斯坦的Tando Allahyar收集的样本图像；(c)从巴基斯坦的Kotri收集的样本图像；(d)从Kaggle收集的样本图像

图2 表示每个类的增强图像数据集的分布并分割为训练集和验证集 

 图3 基于增强和标注数据集的预训练模型迁移学习实现框图

图4 实现模型的训练精度与(a) 32×32， (b) 64×64， (c) 128×128和(d) 256×256像素的图像尺寸的epoch数的关系

图5 所有实现的模型的最低和最高图像分辨率的混淆矩阵

表1 所有已实现模型的详细性能指标