基于卷积神经网络(CNN)架构的马铃薯早疫病智能检测技术研究

为解决马铃薯早疫病(由Alternaria solani真菌引起)传统检测方法耗时长、依赖专家经验的问题，研究人员开发了基于深度学习(Deep Learning)的自动化检测系统。通过对比ResNet、NasNet等5种CNN架构在MATLAB环境下的性能，证明该技术可实现田间实时检测，为作物病害智能诊断提供新方案。

　　

马铃薯早疫病(Early blight)是由茄链格孢菌(Alternaria solani)引起的毁灭性病害，严重影响马铃薯产量与品质。传统检测依赖人工目检和实验室分析，存在效率低、成本高等局限性。

研究团队创新性地采用深度学习技术，构建了基于卷积神经网络(Convolutional Neural Network, CNN)的智能诊断系统。通过大规模标注的马铃薯叶片图像数据集，对ResNet、NasNet、MobileNet、VGG₁₆和InceptionNet五种经典架构进行系统性对比测试。实验在统一的MATLAB平台完成，确保评估结果可比性。

研究发现，不同CNN模型在准确率、推理速度等关键指标上表现各异：ResNet展现出优异的特征提取能力，MobileNet则因其轻量化特性更适合移动端部署。该成果为开发便携式田间诊断设备提供了重要技术参考，标志着作物病害检测进入智能化新阶段。