基于数学建模的可解释深度学习方法在极端环境条件下生菜病害检测中的应用

本文创新性地提出CNN-WOPNet模型，通过海象优化算法(WaOA)优化卷积神经网络(CNN)超参数，结合并行网络(ParNet)注意力模块，构建了针对水培生菜营养缺乏症的多级特征提取框架。该模型在极端环境条件下取得99.54%的准确率，训练时间仅755.82秒，为精准农业提供了高效的计算机视觉解决方案。

　　

亮点

• 创新性提出CNN-WOPNet模型，结合优化CNN与ParNet注意力机制，用于水培生菜在极端环境下的叶片病害分类

• 采用数学海象优化算法(WaOA)进行CNN超参数调优，显著提升模型性能

• 实现99.54%分类准确率，训练时间仅755.82秒，测试时间0.01秒

文献综述

本节概述了水培农业领域叶片病害检测的各种研究方法。[17]研究者利用高光谱图像技术预测生菜中氮(N)、磷(P)、钾(K)、镁(Mg)、钙(Ca)和硫酸盐(SO₄^2-)的缺乏程度，探索了二元分类算法在营养缺乏预测中的应用。结果表明高光谱成像能有效评估单一和复合营养缺乏状况。

数据集描述

研究采用Kaggle公开的"生菜NPK数据集"，包含水培生菜叶片图像。数据集分为四类：全营养(FN)12张、缺氮(N)58张、缺磷(P)66张、缺钾(K)72张，共计208张RGB图像。这些图像经过数据增强处理后，可用于深度学习任务如图像分类和目标识别。

结果与讨论

模型使用Python的Scikit-learn、OpenCV和Keras库开发，在配备Nvidia A100 GPU的Jupyter Notebook中运行。数据集按70:15:15比例划分为训练集、验证集和测试集。与教学优化算法(TLO)、蜜獾算法(HBA)等其他优化方法相比，本模型展现出显著优势。

结论

在垂直农业中，植物叶片病害的检测与分类是全球性挑战。提出的CNN-WOPNet深度学习模型能准确识别全营养(FN)、缺氮(N)、缺磷(P)和缺钾(K)状态。该模型通过数学海象优化算法进行CNN超参数调优，结合ParNet注意力模块处理多级深度特征，有效突出植物病害图像的关键区域。