基于深度学习的番茄叶片病害可视化识别技术研究

来源：江苏农业科学杂志2025年第第5期北京时间：

作者：封成智;刘强德;王志伟;秦春林;杨蕾;白玉龙;马海霞;杨城;丁宏斌

单位：1.甘肃省农业科学院农业经济与信息研究所，甘肃兰州730070； 2.甘肃省生产力促进中心，甘肃兰州 730000； 3.甘肃省农业机械化技术推广总站，甘肃兰州 730000

摘要：针对番茄叶片病害识别过程中人工识别难度大且容易出错，传统机器学习方法识别准确度低、泛化能力较差等问题，以番茄病害叶片可视化为研究对象，建立番茄叶片病害数据集；采用深度学习技术，建立基于卷积神经网络的番茄叶片常见病害可视化识别模型，自动提取病害图像特征，提高病害识别的准确度及泛化能力。采用BN层技术，加快网络模型的训练速度，防止梯度爆炸及梯度消失问题；引入残差学习单元，提升网络模型在特征的提取过程中对上层特征的保留能力，防止网络模型产生退化现象；采用跳层连接技术，将低层小尺度特征与高层大尺度特征进行叠加，实现不同特征的融合，提取更加全面的特征信息，从而提高模型识别准确度。通过试验分析卷积层层数、学习率、批处理大小对模型性能的影响。本研究提出的MNet模型识别病害类型的准确度，在训练集中达到99.6%，在验证集中达到99.5%，在测试集中达到99.3%，在复杂背景下具有较高的识别准确度。将模型部分卷积层特征图可视化，图像显示模型对病害特征提取尺度具有多样性；将MNet模型识别性能与VGG19、ResNet50、ResNet101进行比较，结果表明，MNet模型具有更高的识别准确度以及更强的鲁棒性。

关键词：深度学习;番茄叶片病害;卷积神经网络;诊断模型;特征融合