Aggrotech：基于深度学习的可持续番茄病害管理

番茄作物的健康状况在确保农业生产和食品安全方面发挥着关键作用。及时准确地检测影响番茄植物的疾病对于有效的病害管理至关重要。本研究提出一种基于深度学习的番茄叶片病害检测方法，采用两种经验证的卷积神经网络(CNN)，即VGG19和Inception v3。实验在包括健康番茄叶片和受多种疾病侵染的叶片图像的番茄村庄数据集上进行。VGG19模型通过添加全连接层进行增强，而Inception v3模型被修改以集成全局平均池化层和密集分类层。两个模型在准备好的数据集上进行训练，其性能在独立的测试集上进行评估。本研究在番茄村庄数据集(4525张图像)上采用VGG19和Inception v3模型进行番茄叶片病害检测。带有 dropout 层的模型准确率达93.93%，显示其在作物健康监测方面的有用性。该论文提出了一种深度学习策略，包括归一化、调整大小、数据集准备以及独特的模型体系结构。在训练期间，VGG19和Inception v3用作特征提取器，可能进行数据增强和微调。通过在测试集上进行评估获得的准确率、精确率、召回率和F1分数等指标，为理解模型的优势与不足提供了重要见解。该方法在精准农业中具有实际应用潜力，有助于及早预防番茄作物的疾病。