从数字图像中自动检测叶片已经成为识别植物表型变化的重要技术。随着计算机视觉的最先进展，已实现应用机器学习的概念从图像中自动检测叶片。深度神经网络(DNNs)，如：Google网络、Alex网络和移动网络等机器学习，可用于识别图像中的叶片。现有的DNNs的局限性在于在分类阶段不能处理图像中的不确定性，而对输入图像进行分类归属粒化，可以有效地处理不确定性，提高分类器的精度。本文提出了一种基于转移学习的模糊深度神经网络(TLFDNNs)模型来识别数字图像中的叶片。

TLFDNN模型流程图

移动网络DNN的示意流程图

在该模型中，首先，对输入图像利用基于类属度(CWB)进行模糊粒化处理。然后，利用移动网络对模糊颗粒图像中的叶片进行检测。与Google网络、Alex网络、Mobile网络等传统的深度神经网络模型相比，基于CWB的粒化模型具有更好的效果。通过对柑橘、印楝和番石榴三种叶片图像数据集的测试，验证了TLFDNN模型在性能上优于其他类型的深度神经网络模型。最后，使用图像中检测到的叶片平均百分比和测试图像中检测到的叶片平均百分比的标准差等指标来评估模型的性能。

(a)来自柑橘数据集的训练图像(单叶)和(b)来自柑橘数据集的测试图像(多叶)

(a)条形图，显示了使用七个模型检测到的叶子的百分比，(b)所有七个模型的平均百分比的STD，分别用数据集1，数据集2和数据集3中的30个测试图像进行了测试。

来源：

Anil Kunchala; D. Arun Kumar; M. Venkatanarayana, et al. Sallato. Transfer Learning based Fuzzy Deep Neural Networks for leaves detection from Digital Images. 2020 International Conference for Emerging Technology. DOI: 10.1109/INCET49848.2020.9153971。