一种紧凑且高效的125万参数机器学习CNN模型PD36-C用于植物病害检测：案例研究

深度学习显著 advances 了基于图像的植物病害诊断，因为改进的硬件和数据集质量使得越来越准确的神经网络模型成为可能。本文提出PD36 C，一个紧凑型卷积神经网络（1,250,694参数和4.77 MB），用于植物病害分类。使用TensorFlow Keras在New Plant Diseases Dataset（87k图像，38类）上训练，PD36 C设计用于鲁棒性和边缘部署，可配合一个为Qt for Python开发的桌面应用程序，提供直观的GUI和在商品硬件上的离线推理。通过实验，训练准确率在第30个epoch达到0.99697，平均测试准确率为0.9953（38类）。各类别性能均很高；在较低端，玉米（玉）黑穗病叶斑达到约0.9777的精确率和0.9634的召回率，表明偶尔与视觉上相似的类别混淆；而在较高端，诸多类别包括苹果黑霉、松树黑穗病、蓝莓健康、樱桃粉霉病、樱桃健康以及所有四个葡萄类别实现完美精确率1.00和召回率1.00，表明无误报且覆盖面强。这些结果表明，在精心策划的数据集和谨慎的网络结构设计下，小型CNN可以实现与最新基线相当的准确率，同时保持实用以适应边缘场景。我们还指出，典型限制包括恶劣天气、低质量图像以及叶片表现出多种共存疾病，这些都可能影响性能，值得未来关注领域鲁棒性。总体而言，PD36 C及其应用程序管道为AI辅助植物病害检测在智能农业中贡献了一个即插即用、高效的解决方案。