5、深度学习与能源系统相关技术研究

深度学习与能源系统相关技术研究

1 深度学习在病叶检测中的应用

1.1 数据与预处理

研究聚焦于甜椒和番茄叶片，因其关联性高且易混淆。数据集包含 18,114 张图像，各分类图像数量如下：
| 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 |

图像尺寸调整为 64×64，并按 80%训练集、12%测试集和 8%验证集划分。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。

1.2 模型架构

1.2.1 卷积神经网络（CNN）

CNN 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（FC）组成。模型包含 4 个丢弃层（丢弃率分别为 0.25、0.25、0.25 和 0.5），随后是 FC 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。训练参数设置为：总轮数 10，初始学习率 0.001，批量大小 32。