基于深度卷积优化的马铃薯病害检测研究

为解决马铃薯叶图像分类难题，研究人员开展基于 VGG16、AlexNet 和自定义卷积神经网络（CNN）的分类研究。结果显示，自定义 CNN 准确率达 98.8%、损失 0.055，参数少且效率高，为病害检测提供新方向。

　　

本研究探究视觉几何组 16（VGG16）、亚历克斯网络（AlexNet）和自定义卷积神经网络（CNN）等深度学习模型对马铃薯叶片图像进行早疫病、晚疫病和健康叶片分类的应用。数据集包含 3293 张图像，整合了印度古吉拉特邦阿南德农业大学（AAU）本地采集的图像和植物村（PV）资源库的图像。研究测试了批量大小为 32 和 64、训练轮次为 30 和 60 等多种配置。结果表明，自定义 CNN 表现最佳，准确率达 98.8%，最小损失为 0.055，超越了 VGG16 和 AlexNet。值得注意的是，自定义 CNN 仅需 128,387 个可训练参数，远少于 VGG16（1.38 亿）和 AlexNet（5800 万），凸显了其高效性。这种高效性体现了自定义 CNN 优化的架构，使其能够以较低的计算需求实现高分类性能。