Deep convolutional neural network-based automated identification and classification of mungbean foliar diseases
Shail Bala · SI Harlapur · Aditya Kamalakar Kanade 等 7 人
评估五种深度卷积神经网络在自然田间条件下对绿豆叶部病害的识别性能。
使用5617张田间图像，五种DCNN架构，迁移学习与微调，数据增强，Grad-C
InceptionV3准确率最高（98.47%），所有模型AUC>0.997，Grad-CAM显示基
可扩展至其他作物多病害识别，或开发轻量级模型用于移动端实时诊断，结合无人机图像实现大范围监测。
系统评估多种深度学习模型在绿豆叶部病害识别中的性能，数据规模大且基于田间条件，具有较强应用价值。
植物病害的早期准确检测对于精准农业中改善作物管理和提高产量至关重要。绿豆（*Vigna radiata* L.）极易感染多种叶部病害，包括黄花叶病、白粉病、叶皱缩病和尾孢叶斑病，这些病害会导致显著的生产力损失。尽管深度学习在植物病害诊断中的应用日益广泛，但在自然田间条件下对绿豆病害分类进行系统性多架构评估的研究仍然有限。本研究通过在大规模、田间采集的绿豆数据集上评估五种最先进的深度卷积神经网络（DCNN）架构来填补这一空白，该数据集捕捉了环境条件和病害严重程度方面的真实世界变异性，使其区别于受控实验室研究。共使用了涵盖五个类别的5,617张原始图像。在分层划分后，数据增强仅应用于训练子集，以防止数据泄漏。数据集被划分为训练集（70%）、验证集（15%）和测试集（15%）。VGG16、VGG19、ResNet50V2、DenseNet121和InceptionV3采用相同的迁移学习和微调协议进行评估。模型性能通过AUC-ROC、Cohen's kappa系数、用于成对统计比较的McNemar检验、五折交叉验证以及基于Grad-CAM的可解释性进行评估。在独立测试集上，InceptionV3取得了最高的准确率（98.47%）和宏平均F1分数（98.49%），其次是VGG16（98.36%）和VGG19（97.89%）。所有模型的AUC-ROC值均超过0.997，证实了优异的类别区分能力。Grad-CAM可视化进一步证实了模型预测基于生物学相关的病害症状。研究结果表明，深度学习在现实田间条件下实现稳健病害识别方面具有有效性，并凸显了基于人工智能的诊断工具在绿豆生产中的作物健康监测、精准农业和决策支持系统方面的应用潜力。