13、农业中的机器学习与智能灌溉：应对挑战与提升生产力

农业中的机器学习与智能灌溉：应对挑战与提升生产力

1. 卷积神经网络与模型

卷积神经网络（CNN）包含输入层、隐藏层和输出层，其中隐藏层执行卷积操作。输入图像被传递到卷积层，其结果再传递到下一层。CNN还包括池化层，用于简化计算，通过将神经元输出组合到下一层的单个神经元中，降低数据维度。全连接层则将一层中的每个神经元连接到另一层的每个神经元，以对图像进行分类。

最初，植物村庄数据集被划分为70%的训练数据、20%的验证数据和10%的测试数据。有多种流行且成功的CNN模型可用于图像分类，如VGG - 16、ResNet - 50、Inception ResNet - v2、Inception - v3、MobileNet、DenseNet - 121和Xception。通过比较训练准确率、验证准确率、训练损失和验证损失等参数，对这些模型进行性能评估，以选择最适合植物病害分类的CNN模型。

以下是各CNN模型的性能比较表格：
| CNN模型 | 训练准确率 | 验证准确率 | 训练损失 | 验证损失 | F1 - 分数 |
| ---- | ---- | ---- | ---- | ---- | ---- |
| VGG - 16 | 0.83 | 0.81 | 0.530 | 0.565 | 0.81 |
| ResNet - 50 | 0.98 | 0.94 | 0.041 | 0.196 | 0.93 |
| Inception ResNet - v2 | 0.95 | 0.90 | 0.152 | 0.305 | 0.90 |
| Inception - v3 | 0.95 | 0.94 | 0.143 | 0.18