基于深度学习的病害识别方法研究

当前在大面积生产中，主要病害的发生严重威胁农作物健康持续发展，亟须高效的病害识别方法来解决人工识别耗时、误判及效率低等问题。通过SONY@6300数码相机和开源数据库获取3种病害图像各150张，利用Labelme标注图片病斑，经过图像增强得到2 250张图片并构成数据集，按照8∶1∶1的比例划分为训练集、验证集和测试集。训练Deeplabv3+、 U-Net、 U-Net++等3种神经网络模型，对3种病害的图片进行预测并评价，比较在相同迭代次数下的损失曲线；根据对测试集进行预测的混淆矩阵，计算其精准度、召回率和F1得分。综合对比这3种模型的性能，结果表明U-Net++效果最好，3个评价指标均在97%以上，对病害的分割性能也优于Deeplabv3+和U-Net模型。研究结果可为生产上病害防治提供科学指导，也可为其他作物的病害识别提供技术参考。