基于卷积神经网络的自动化多类别作物病理分类：面向实时精准农业的深度学习方法
计算机视觉与模式识别
2025-07-15 v1
摘要
作物病害是农业生产力和全球粮食安全的重大障碍，特别是在大规模农业中，早期识别常常被延迟或不准确。本研究引入了一个基于卷积神经网络(CNN)的图像分类系统，旨在利用叶片图像自动检测和分类八种常见作物病害。该方法涉及一个完整的深度学习流程：从大型标注数据集中获取图像，通过调整大小、归一化和增强进行预处理，以及使用TensorFlow和Keras的Sequential API进行模型训练。CNN架构包含三个卷积层，滤波器大小递增并采用ReLU激活函数，随后是最大池化、展平和全连接层，最后以用于多类分类的softmax输出结束。该系统实现了高训练准确率（约90%），并在未见数据上表现出可靠的性能，尽管验证准确率约60%表明存在轻微过拟合。值得注意的是，该模型集成了一个治疗建议模块，通过将每种检测到的病害映射到合适的农药或杀菌剂干预措施，提供可操作的指导。此外，该解决方案部署在一个开源、兼容移动设备的平台上，使偏远地区的农民能够进行实时的基于图像的诊断。本研究为精准农业领域贡献了一个可扩展且易于获取的工具，减少了对人工检查的依赖，并促进了可持续的病害管理实践。通过将深度学习与实用的农艺支持相结合，这项工作凸显了CNN在改变作物健康监测和增强全球粮食生产韧性方面的潜力。
引用
@article{arxiv.2507.09375,
title = {Automated Multi-Class Crop Pathology Classification via Convolutional Neural Networks: A Deep Learning Approach for Real-Time Precision Agriculture},
author = {Sourish Suri and Yifei Shao},
journal= {arXiv preprint arXiv:2507.09375},
year = {2025}
}
备注
29 pages, 10 figures, 1 table. Code available at: https://github.com/Sourish85/CNN-CROP-DIS-DETECTOR