19、植物病害诊断与越野车辆悬架优化研究

植物病害诊断与越野车辆悬架优化研究

植物病害诊断中的深度学习模型比较

在植物病害诊断领域，深度学习技术正发挥着越来越重要的作用。通过对不同模型的比较评估，能够为实际应用选择更合适的模型。

以下是不同年份、不同方法的比较评估表格：
| 年份 | 方法 | 类别数量 | 准确率 (%) |
| ---- | ---- | ---- | ---- |
| 2022 | DenseNet169 - MLP | 3 | 97.68 |
| 2020 | ResNet50 | 38 | 98.20 |
| 2023 | DeepPlantNet | 8 | 98.49 |
| 2021 | ResNet50 | 16 | 98.70 |
| 提出方法 | EfficientNetB6 | 58 | 99.11 |

从这个表格中可以清晰地看到，不同模型在类别数量和准确率上存在差异。其中，提出的 EfficientNetB6 模型在类别数量达到 58 的情况下，准确率高达 99.11%，表现十分出色。

本次研究还具有以下关键发现：
1. 有效利用了包含 58 个类别的大量数据集，并通过数据增强技术进行平衡。
2. 对五个迁移学习模型进行了全面研究，分别是 EfficientNetB6、DenseNet201、InceptionResNetV2、MobileNetV2 和 DenseNet169。
3. EfficientNet - B6 以 99.11% 的出色准确率脱颖而出，可用于进一步的研究扩展。
4. DenseNet201、InceptionResNetV2 和 Mo