基于深度卷积神经网络(PotConvNet)的马铃薯叶部病害智能诊断系统研发与应用

为解决马铃薯叶部病害早期诊断难题，研究人员开发了基于卷积神经网络(CNN)的PotConvNet模型，在两类数据集上分别实现99.76%和97.78%的分类准确率，通过F1值、ROC AUC等指标验证其优越性，为农业智能化病害防控提供新工具。

　　

作为全球重要经济作物，马铃薯富含维生素C、钾、B₆及膳食纤维，但其生产常受早疫病(Early Blight)和晚疫病(Late Blight)威胁。人工智能(AI)驱动的深度学习技术正革新农业领域，通过分析叶片图像异常模式实现病害预警。本研究提出的PotConvNet框架，在Dataset 1和Dataset 2上分别取得99.76%与97.78%的惊人准确率，辅以F1-score、Cohen’s kappa等指标验证。研究采用图像缩放、归一化、数据增强等预处理手段优化模型性能，该成果可作为田间即时诊断工具，帮助农民精准识别病害并采取干预措施，对保障粮食安全具有重要意义。