40、深度学习在甘蔗作物病害识别及健康监测系统中的应用

深度学习在甘蔗作物病害识别及健康监测系统中的应用

甘蔗作物病害识别

不同模型性能评估

在甘蔗作物病害识别中，对不同的分类架构进行了评估。以下是不同模型在各种实验配置下的平均指标（精度、召回率和 F1 值）以及整体准确率：
| 模型 | 平均精度 | 平均召回率 | 平均 F1 分数 | 整体测试准确率（训练所有层，测试时数据增强） | 测试准确率（训练所有层，测试时无数据增强） | 测试准确率（仅训练全连接层） |
| — | — | — | — | — | — | — |
| VGG - 19 | 0.9044 | 0.9087 | 0.9026 | 0.9200 | 0.9120 | 0.8320 |
| ResNet - 34 | 0.9095 | 0.9107 | 0.9066 | 0.9240 | 0.9240 | 0.8360 |
| ResNet - 50 | 0.9260 | 0.9200 | 0.9213 | 0.9320 | 0.9280 | 0.8600 |

从这些数据可以看出，ResNet - 50 在各项指标上表现相对较好，尤其是整体测试准确率达到了 0.9320。

检测方法选择

为了准确识别图像中的感染区域，选择了两种最先进的检测网络：YOLOv3 和 Faster R - CNN。
- 传统方法的不足 ：早期的 R - CNN 和 Fast R - CNN 使用选择性搜索方法来寻找感兴趣区域，生成数千个区域并分别传入网络进行分类，这种方法耗时较长，不适合实时推理。
- Faste