12、人工智能在植物病害识别中的应用与挑战

人工智能在植物病害识别中的应用与挑战

1. 模型选择的关键因素

在选择最佳模型时，通常会测试几种不同的架构。其中，有三个因素对于最终模型的选择尤为重要：准确性、模型复杂度和泛化能力。

1.1 准确性

准确性是选择模型最明显的标准，但仅依靠它可能不足以选出最佳选项。评估模型准确性的方法有多种，具体取决于所处理问题的类型。例如，在分类问题中，可以使用精确率和召回率；在分割问题中，可以使用交并比（IoU）。

在植物病害识别中，常用的呈现准确性的方式有总体准确率表和混淆矩阵。以下是总体准确率的示例表格：
| 作物 | # 类别 | # 图像 | 准确性（原始） | 准确性（扩展） | 原始图像 | 去除背景 | 扩展 |
| — | — | — | — | — | — | — | — |
| 普通豆类 | 5 | 10 | 83% | 95% | 94% | 91% | - |
| 木薯 | 3 | 3 | 92% | 83% | 100% | 100% | - |
| 柑橘 | 7 | 9 | 79% | 62% | 96% | 93% | - |
| 椰子树 | 4 | 5 | 97% | 97% | 98% | 97% | - |
| 玉米 | 7 | 11 | 60% | 66% | 75% | 74% | - |
| 咖啡 | 6 | 6 | 76% | 77% | 89% | 86% | - |
| 棉花 | 3 | 3 | 100% | 100% | 99% | 99% | - |
| 腰果 | 3 | 6 | 88% | 83% | 98% | 96% | -