利用深度学习技术实现棉花叶片病害的自动预测

《Scientific Reports》：Automatic prediction of cotton leaf’s diseases using deep learning techniques

　　

摘要

棉花叶部病害对全球棉花生产构成重大威胁，严重影响产量和纤维质量。传统的诊断方法既耗时又费力，还需要高度熟练的专业人员，因此难以在大规模农业应用中发挥作用。尽管早期的基于深度学习的方法在识别细菌性枯萎病、镰刀菌枯萎病和卷曲病毒病等棉花叶部病害方面取得了良好效果，但其性能往往受到复杂预处理要求以及在实际田间条件下的泛化能力不足的限制。为解决这些难题，本研究提出并优化了一种基于迁移学习的模型CLDP-CNN，该模型利用预训练的深度神经网络提升特征提取和分类效率。研究通过精心准备的训练数据集，自动开发出了棉花叶部病害预测卷积神经网络CLDP-CNN。研究使用了两个不同的数据集来训练该模型：第一个来自棉花种植田的实地图像，第二个则来自Kaggle平台。这项研究的主要目的是考察该模型在实际田间数据集上的表现。CLDP-CNN模型在处理主要数据集时表现出极高的准确性，检测成功率达到了99.78%，这一数值超过了其在次要数据集上的99.62%的准确率。对于VGG16预训练模型而言，两个数据集都带来了较高的准确率，其在主要数据集上的准确率为99.56%，在次要数据集上为98.82%。此外，一款基于网页的应用程序还能实时更新棉花植株的健康状况，进一步提升了CLDP-CNN模型的功能。这项技术为农民提供了宝贵的信息，帮助他们及时采取防护措施，避免棉花作物遭受严重的产量损失。