利用CNN和迁移学习方法识别植物叶片疾病
Abstract
及时发现和早期预防作物病害对提高产量至关重要。由于深度卷积神经网络(CNN)在机器视觉领域取得了令人瞩目的成果，本文采用深度卷积神经网络(CNN)模型来从植物的叶子中识别和诊断疾病。标准的CNN模型需要大量的参数，计算成本较高。本文用深度可分离卷积代替标准卷积，减少了参数个数和计算量。实现的模型使用一个开放数据集进行训练，该数据集包含14种不同的植物，38种不同的疾病分类和健康的植物叶片。为了评估模型的性能，我们引入了不同的参数，如批量大小、dropout和不同的epoch数量。采用InceptionV3、InceptionResNetV2、MobileNetV2和EfficientNetB0实现的疾病分类准确率分别为98.42%、99.11%、97.02%和99.56%，优于传统的基于特征的手工方法。与其他深度学习模型相比，所实现的模型在准确率方面取得了更好的性能，并且所需的训练时间更少。此外，MobileNetV2体系结构使用优化后的参数与移动设备兼容。病害识别的准确性结果表明，深度CNN模型具有良好的应用前景，对病害的有效识别有很大的影响，在实时农业系统病害检测中具有潜在的应用前景。
Keywords:artificial intelligence; convolutional neural network; deep learning; machine learning;transfer learning
1. Introduction
基于植物叶片的植物病害自动识别是农业领域的一个重要里程碑。
【1】此外，植物病害的早期及时鉴定对作物产量和品质也有积极的影响。由于种植了大量的农作物，即使是一个农学家和病理学家也可能经常无法通过观察受
