5、多领域技术研究：从植物病害检测到能源系统与天线设计

多领域技术研究：从植物病害检测到能源系统与天线设计

植物病害叶片的深度学习检测

数据与预处理

研究聚焦于甜椒和番茄叶片，因为它们关联性高且易混淆。数据集包含 18,114 张不同类别叶片图像，具体如下：
| 类别 | 图像数量 |
| — | — |
| 甜椒 - 细菌斑点 | 997 |
| 甜椒 - 健康 | 1478 |
| 番茄 - Septoria 叶斑病 | 1771 |
| 番茄 - 二斑叶螨 | 1676 |
| 番茄 - 黄叶卷曲病毒 | 3209 |
| 番茄 - 健康 | 1591 |
| 番茄 - 靶斑病 | 1404 |
| 番茄 - 叶霉病 | 952 |
| 番茄 - 细菌斑点 | 2127 |
| 番茄 - 早疫病 | 1000 |

图像被调整为 64×64 大小，并按 80% 训练集、12% 测试集和 8% 验证集进行划分。为保证模型类别平衡，进行了数据增强，增强后各数据集图像数量为：训练集 18,838 张，测试集 2826 张，验证集 1124 张。

模型架构

• 卷积神经网络（CNN） ：这是一种前馈人工神经网络，常用于图像分析。它由卷积层、ReLU 层、池化层和全连接层组成。模型包含 4 个丢弃层（0.25、0.25、0.25 和 0.5），随后是全连接层，最终输出层对应 11 个类别。使用 Softmax 激活函数作为最终激活层，Adam 优化器进行优化。训练总轮数为 10，初始学习率为 0.001，批量大小为 32。 </