13、基于深度学习的木槿植物病害图像检测

基于深度学习的木槿植物病害图像检测

1. 引言

在日常生活中，我们常常看到后院花园里的植物感染真菌或其他虫媒疾病。植物生长在不受控制的外部环境中，感染的几率较大，因此早期检测植物疾病并采取必要措施至关重要。传统的植物病害识别方法，如基于叶片形态检查、生物技术的方法，存在劳动强度大、成本高、使用不便等问题。而基于图像分析的植物病害识别技术始于2012年，人工神经网络分类器的识别率可达91%。近年来，基于神经网络的植物病害保护需求不断增长，深度卷积神经网络（DCNN）在植物病害诊断方面具有独特优势。

2. 文献综述

图像分析是基于深度学习算法实现的重要组成部分，其方法多样，包括简单的阈值法和先进的彩色图像分割法等。许多研究人员在植物病害检测方面进行了大量工作，如利用图像分析检测植物叶片病害、基于图像识别进行作物病害诊断、使用支持向量机识别番茄叶病毒等。

3. 材料与方法

3.1 深度学习与基于图像检测的介绍

深度学习是基于数据表示的分层学习，是人工智能的一个子集。其“深度”体现在数据处理需要大量步骤才能得到期望输出。神经网络以模仿人类大脑的神经元网络为基础，用于人工智能。深度神经网络（DNN）包含多个隐藏层，更适用于图像识别，常用的基于图像的DNN方法是卷积。DCNN通过引入高度、宽度和深度卷积、池化和全连接层等参数，解决了过拟合或欠拟合问题。选择深度学习的原因如下：
- 能够处理大数据，适应物联网、智能移动应用和云源数据的融合。
- 计算能力需求可通过边缘计算或云源解决，算法可分布式运行。
- 算法可改进，如使用修正线性函数（ReLU）可解决梯度消失问题。

在评