基于VGG的多作物叶病图像分类的人工智能模型（2022）

农业中的人工智能6（2022）23基于卷积神经网络VGG的多作物叶片病害图像分类迁移学习阿南达范达纳·佩莫德马洛德米高梅贾瓦哈拉尔·尼赫鲁工程学院，431001，马哈拉施特拉邦，印度a r t i c l e i nf o文章历史记录：2021年10月9日收到2021年12月8日收到修订版2021年12月30日接受2022年1月7日上线保留字：卷积神经网络（CNN）人工智能视觉几何组（VGG）多作物叶病（MCLD）a b s t r a c t近年来，人工智能（AI）在农业中的应用已成为最重要的如果创造性地对待农业技术的采用在作物的生长过程中，对病叶进行控制是关键的一步。早期病害的检测、分类、分析以及可能的解决方案，对于农业生产的发展总是有帮助的不同作物，特别是番茄和葡萄的病害检测和分类是我们研究的重点其重要目的是早期预报葡萄和番茄叶片的病害种类。卷积神经网络（CNN）方法用于检测多作物叶病（MCLD）。使用基于深度学习的模型对图像进行特征提取，对患病和健康的叶子进行分类。基于CNN的视觉几何组（VGG）模型用于改进性能测量。利用作物叶片图像数据集对模型进行训练和测试性能测量参数，即，计算和监测准确率、敏感度、特异性、精确度、召回率和F1评分该模型的主要研究目标所设计的模型以更高的准确性对受疾病影响的叶片进行分类在实验中提出的研究已经达到了98.40%的葡萄和95.71%的西红柿的准确率拟议的研究直接支持增加农业粮食产量版权所有© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/4.0/）。1. 我不想让你失望为了促进国家的发展，农业部门的知识至关重要。农业是发展农民的一种财富来源对于一个强大的国家来说，发展农业是一种必然，也是全球市场的需要世界人口正以指数级速度增长，这就需要在今后50年内进行大规模的关于不同类型作物和各级发生的疾病的信息及其早期分析在农业部门发挥着关键和动态的作用农民的主要问题是农作物上各种疾病的发生疾病分类和疾病分析是农业最佳粮食产量的关键问题。由于缺乏基础设施和技术，食品安全是一个巨大的问题，因此作物病害分类和识别是未来几天需要考虑的重要问题。这对于产量估计、粮食安全和疾病管理是必要的。农作物病害的检测与识别是一个重要的研究课题，因为它能够监测大面积的农作物，并在植物叶片上出现病害症状时立即检测作为*通讯作者。电子邮件地址：anandpaymode@gmail.com（A.S.Paymode）、vandanamalode@jnec.ac.in（V.B. Malode）。因此，寻找一种快速、高效、经济、有效的方法来确定作物病害实例是非常重要的（C.J.Chen等人，2021年）。人工智能（AI）为农业提供了相当大的帮助，农业主要通过这一部门提高了一个国家的国内生产总值（GDP）。 气候变化、劳动力短缺、雨季的不确定性、自然灾害和植物叶片上的各种疾病都是农业的主要问题。边缘智能在农业中的应用研究植物叶片的识别与有一个新的进步，不同的深度学习模型克服了这一挑战。YOLOv3神经网络模型基于深度学习，并构建在嵌入式系统和NVIDIA Jetson TX2上。 该系统在无人机上实现，拍摄植物的照片，识别害虫位置，并根据需要施用杀虫剂;这是一种基于深度学习的新颖方法（Al Hiary等人， 2011年）。高光谱和多光谱知识获取技术和应用已通过向农民和农业管理者提供关于影响作物状况和生长的要素的关键数据而在改善农业生产和种植方面显示出其效用该技术已广泛用于各种农业应用，包括可持续农业（Ang，2021年）。https://doi.org/10.1016/j.aiia.2021.12.0022589-7217/© 2022作者。出版社：Elsevier B.V.我代表科爱通信公司，公司这是一篇CC BY-NC-ND许可证下的开放获取文章（http：creativecommons.org/licenses/by-nc-nd/4.0/）。可在ScienceDirect上获得目录列表农业中的人工智能杂志主页：http://www.keaipublishing.com/en/journals/农业人工智能/A.S. Paymode和VB 马洛德农业人工24蔬菜种植园由于种植密度不均匀，杂草检测比农作物种植园更困难深度学习技术是一种与图像处理相结合的新方法这种方法只集中在识别植物上，避免了处理大量的植物物种。此外，通过减少训练图像收集的量，甚至减少杂草检测的复杂性，该技术可以提高植物诊断的准确性和性能（Jin等人， 2021年）。由于未能在早期阶段预测疾病，这总是导致作物产量降低，从而造成了大量的作物损失因此，识别和分析作物病害是确保作物质量的关键步骤（Wu，2020）。随着计算速度和计算能力的提高，海量数据集的可用性提高了系统的效率。在本节中，有各种检测和分类技术使农作物叶部病害恶化。我们提出的相关调查作为一个系统，采用了各种分类器技术。有两种类型的组合：串行和混合，其中串行和并行的组合在600个图像内实现显著的性能参数（Massi等人， 2020年）。混合组合的识别率为91.11%，高于串行，并行和深度学习方法。为了识别和分析叶片疾病，使用深度学习卷积神经网络（CNN）模型对健康和患病图像进行模型训练集包含25种不同的植物，58个类集（包括健康和患病植物），87，848幅使用几种（Ferentinos，2018）模型架构，最佳性能成功率为97.53%。多上下文融合网络（MCFN）是一种基于深度学习的方法，用于作物病害检测。 MCFN帮助从50，000张作物照片中提取视觉信息。MCFN产生了使用深度融合模型感染的77种常见作物，具有97.50%的识别准确度（Jin等人， 2021年）。使用CovNet算法识别农作物中的杂草，也是一种有效的尖端方法。在最近的研究中，在裁剪的图像上绘制边界框，并对模型进行训练。基于颜色的分割应用于图像和颜色信息，并计算杂草图像的视觉分类用遗传算法和贝叶斯分类法检查颜色指数（Jin等人， 2021年）。在混合深度学习模型中，深度残差网络和深度密集网络相结合混合深度学习模型减少了训练参数，同时将准确性提高了95.00%（Zhou et al.， 2021年）。深度迁移学习是识别植物疾病的一种令人惊叹的性能方法。对于预先训练的数据集，使用了Inception和ImageNet模块（Chen等人，2020年）。利用支持向量机（SVM）和多层感知器对PlantVillage数据库中的辣椒、蔬菜、马铃薯和番茄叶片图像的性能进行了研究和增强。通过对模型的训练，系统的性能准确率达到了94.35%（Kurmi等人， 2020年）。为了检测和识别玉米饮食病，部署了深度卷积神经网络玉米叶片病害的识别准确率为88.46%，并且硬件的使用，例如具有英特尔Movidius神经计算棒的树莓pi3和预训练CNN模型的系统GPU，导致卓越的度量准确性性能（Sun等人，2020年）。随着人工智能和深度学习技术的快速发展，计算机视觉（CV）取得了突破性进展。基于CV的方法通常用于诊断葡萄叶病。主成分分析（PCA）和反向传播方法有助于葡萄病害的诊断，如霜霉病和白粉病，研究的准确性的94.29%（Xie等人，2020年），使用VGGNet。权重是使用ImageNet预训练数据集初始化的，通过真实世界的数据集，这种方法的验证精度为91.83%。2. MATERIAMETHODS2.1. 数据集为了支持我们在宾夕法尼亚州立大学名为plantvillage dataset的图像收集领域的研究数据集plant-village包括152种作物解决方案，38种作物类别和19种作物类别，54，303种作物叶片图像。在数据集中，高质量的JPEG图像格式与5471宽度和3648高度像素。在预处理中，去噪、分割和之后的图像是256 X 256像素（Gandhi等人， 2018年）。plantvillage是一个著名的作物病害数据集，有大量的公共数据集。在实验室中捕获了一个plantvillage数据集图像，因此它们被用作训练数据集。我们的模型在真实的野外采集图像上进行了测试，因此，我们必须集中精力开发自己的野外数据库。测试图像用单独的百万像素相机捕获并存储在数据库中。在该领域准备的数据集是可用的，并在拟议的研究中使用使用agro-deep移动应用程序捕获了一些田间作物图像。现场照片是用红米Note 5 Pro MIUI Global 11.0.5.0（PRIMEXM），Android版本PKQ1.180904.001和相机框架4：3高画质16 MP+5 MP，f/2.2孔径像素，在各种自然环境中拍摄的。 受疾病影响和健康的照片是最常见的图像类别收集的研究目的。健康斑点污染，花叶病毒，黄曲叶病毒，壳针孢叶斑细菌性斑点，早疫病，晚疫病，叶霉菌，壳针孢叶斑病，和蜘蛛螨的例子是番茄意象2.2. 拟议研究图1中的示意图描绘了用于多作物叶病分类和分析的潜在视图首先，收集植物叶病图像并将其分类为几个类别。图像滤波、灰度变换、图像锐化和缩放是一些图像处理技术。通过使用数据增强方法，从可用照片创建新的样本照片以增强和准备数据集。采用旋转、平移和随机变换等增强过程来增强数据集的大小。然后，这些照片被用作建议方法的输入，用于在下一阶段训练模型新训练的architec- tural模型用于预测以前看不见的图像。最终实现了植物病害的检测与识别最后，这些步骤的完整细节将在后面的部分中描述（表1）。2.3. 示例图像类别图中所示的农作物样本图像。2.描述了田间番茄叶片图像中各种病害和健康类的类别。图像是每种类型的疾病症状、模式、斑点和颜色标记的一种将特定番茄植物叶病如细菌性枯萎病、叶霉病和灰斑鉴定并检测为疾病影响的识别性状（Paymode等人， 2020年）。图图3描绘了在印度马哈拉施特拉邦的Nashik区获得的葡萄藤叶的田间图像。记录、识别和捕获葡萄类别，健康423、黑腐1180、黑麻疹1383和叶枯病1076图像。通过将图像的亮度和色调从A类调整到D类来生成葡萄植物叶子的数据集（参见图1A和1B）。（见第4-5段）。第二茬番茄取样早疫病1000，花叶病毒373，细菌性斑点病2127，晚疫病1909，叶霉病952，壳针孢叶斑病1771，1404斑点，叶螨1676和黄化曲叶病3209。基于深度学习的方法是计算机视觉中最先进的方法，用于图像识别和分类。农业人工智能一般包括数据采集、数据预处理、图像分割、特征提取A.S. Paymode和VB 马洛德农业人工25图1.提出了研究系统流程图。利用卷积神经网络（CNN）进行作物叶片病害检测和分类的方法。使用Google Colaboratory平台对图像进行预处理、特征提取和分类。2.4. 图像增广大量的数据集提高了学习算法的性能，并防止过拟合。获取实时数据集以用作训练模型的输入是一项复杂且耗时的操作。作为因此，数据增强扩大了深度学习模型可用的训练数据范围。基于深度学习的增强方法包括图像裁剪、裁剪、旋转、颜色变换、PCA颜色增强、噪声抑制、生成对抗网络（GAN）和神经风格转移（NST）（Arun Pandian等人， 2019年）。用于检测葡萄叶病的FasterDR-IACNN方法基于深度学习。叶片斑点的自动提取具有较高的检测速度和准确性。有4449张原始照片和62,286张使用数据增强技术开发的照片表1深度学习技术与分类和识别率的研究（见图）。 12）。方法分类模型识别率（%）混合组合（Massi等人， 2020）三个SVMSVM91.11深度学习（Ferentinos，2018）CNN VGG 97.53多上下文融合网络（MCFN）（Wu，2020）CNN AlexNet&VGG16 97.50深度迁移学习（DTL）（Chenet al.， 2020）CNNVGG91.83机器学习（Kurmi等人， 2020）SVMMLP94.35深度学习（Sun等人， 2020）DCNNDCNN88.46深度学习（Xie等人， 2020）更快的DR-IACNNInception-v1 ResNet-v281.11A.S. Paymode和VB 马洛德农业人工26图2. S ampletom afi mage s（A：Mo s aicVirus，B：He al th y，C：TargetSpot，D：LateB li gh t，E：BacterialS po t，F：SeptoriaSpot，G：S pi derMite，H：Le afMold，I：EarlyB ligh t，J：Yel owLeaf.在分割中通过特征提取将图像转换为固定特征向量颜色、纹理和形状是系统采用的特征。一个手段，置信区间，和光滑度已被用作彩色方法，与HSV和RGB颜色空间被检索。当从彩色图像中提取纹理特征时，灰度共生矩阵是优选的这种方法用于识别植物病害。2.5. 迁移学习模型的优化和训练是一个艰难而耗时的操作。训练需要强大的图形处理单元（GPU）以及数百万个训练示例。然而，深度学习中使用的迁移学习解决了所有问题。在转移学习中使用的预训练卷积神经网络（CNN ） 针对 一个 任务 进行 优化 ， 并将 知识 转移 到不 同 的模 式（Nevavuori等人，2019年）。多裁剪图像数据集模型包括224 X 224的大小。剩余网络（ResNet）需要调整。在所有ResNet模型中，softmax之前的最终层是7 X 7平均池化层。当池大小减小时，较小的图像可以适合网络。基本的图片准备对于多裁剪图像数据集的迁移学习考虑是必要的。3. Resultsdiscusion3.1. 卷积神经网络卷积层、池化层、全连接层和密集层构成了卷积神经网络（CNN）的架构（见图1）。（六）。层的描述如下所示3.1.1. 卷积层卷积层的基本功能是从图像中提取独特在正常基础上实现卷积层有助于提取输入特征（Chen等人，CNN中的几个层之间的特征提取（Hi）使用以下公式计算。Hi¼φHi−1Wibi1其中，Hi-特征映射，Wi-3.1.2. 池化层池化层是卷积神经网络（CNN）的重要组成部分它缩小了卷积特征的尺寸，同时最大限度地减少了图像处理所需的计算资源池分为两种类型：最大池和平均池。最大池返回图像的最大值，而平均池返回图像部分的平均3.1.3. 脱落层dropout层提高了训练模型的能力它提供了正则化，并通过减少神经元之间的相关性来防止模型过度拟合在所有激活函数中使用了退出过程，但它是按因子缩放的（Liu，2020）。3.1.4. 拼合图层它折叠映射的池化要素的空间维度，同时保留通道维度。该层添加了额外的维度，并在转换为矢量后矢量化的饲料图3.样本葡萄植物叶图像。（A：葡萄黑腐病，B：葡萄Esca（黑麻疹），C：健康，D葡萄叶枯病（Isariopsis Leaf Spot）。A.S. Paymode和VB 马洛德农业人工27图4.多裁剪图像增强（a）（A：原始B：旋转，C：颜色，D：图像点，E：Hstack，F：大小G：高斯噪声，H：形状）。也称为致密层或全连接层的全连接层。3.1.5. 全连接层其是使用矩形线性单元（RCU）激活在全向量中引入的。当采用支持向量机（SVM）时，类分离的通用性更大SVM的要点如下所述：n N提取的图像分类需要全连接层最小化1=2∑W2因为它们的特殊用途。softmax函数预测先前从先前层提取的图像属性Softmax是一个1j1j1输出层中的多类分类激活功能的神经网络层使用多层感知器模型（MLP）作为两类分类的分类非线性模型当C是连续的平均值时，必须满足连续的平均值j（W≠X +b）≥1softmax参数γ=1和C= 1在分类算法的整个训练集和测试集中图5.A B：H堆栈，C：原始，D：增强，E：批量H堆栈，F：自适应高斯噪声。A.S. Paymode和VB 马洛德农业人工28¼图6.提出了卷积神经网络CNN架构。ConvNet架构设计的主要组成部分是其深度。通过定义额外的设计参数并不断增加网络深度，通过在所有层中使用极小的（3 x 3）卷积滤波器来添加更多的卷积层因此，他们开发了更准确的ConvNet架构，不仅在固定数据集分类和定位任务上达到了最先进的精度，而且还适用于其他图像识别数据集，即使作为相对简单的管道的一部分，它们也表现得令人钦佩（Simonyan和Zisserman，2015）。我们的ConvNet在训练期间提供固定大小的224 x 224 RGB图片我们执行的唯一预处理是从训练集上确定的平均RGB值我们应用具有非常小的接收场3 x 3的滤波器来通过卷积层堆栈发送图像我们还在其中一个配置中使用1 x 1卷积滤波器，这是输入通道的线性变化（其次是非线性）。卷积步长被设置为1像素，并且卷积层输入的空间填充被设置为1像素，用于3卷积。层，以便在卷积之后保持空间分辨率。跟随卷积层的一部分的五个最大池化层进行空间池化（不是所有卷积层都跟随最大池化）最大池化是在2x 2像素窗口上以步幅2完成3.2. VGG16基于VGG16预训练VGG模型改进了大内核大小的过滤器，具有11和5个卷积层，3 x 3内核过滤器大小。输入图像大小固定为224 x 224。在图像预处理之后，图像通过滤波器大小为（3 x 3）的卷积层。对于输入通道的线性变换，滤波器大小设置为（1 x 1）。步幅大小固定为1，最大池化以2 x 2大小执行，步幅设置为2。在接下来的步骤中，完全连接的层具有相同的配置，每层中有4096个通道 最后一层是softmax激活层，后面是softU激活函数（见图1）。 7）。3.3. 业绩计量F1评分、准确度矩阵和受试者工作特征（ROC）以及曲线下面积（AUC）用于评价分割性能（AUC）。分类器的性能使用评估指标来测量。3.3.1. 准确性度量所有类别的模型性能都得到了准确的测量。准确度是通过将正确预测的总数与预测总数相加来计算的对查准率、查全率等性能参数的计算和F1-Score进行了准确度表示如下。模型用于改进性能并将作物图像分类为健康图像和疾病图像。对于作物叶片图像的质量检测和分析，初始模型从预训练的VGG16模型中传输信息。卷积神经网络AC�ð3Þ(CNN)模型保留了新的现场图像并学会了执行用于疾病检测和分类的模型（Alencastre-Miranda等人， 2021年）。其中，TP为真阳性、TN为真阴性、FN为假阴性、FP为假阳性样本。使用评估度量的分类器性能度量给出为：图7.提出了卷积神经网络（CNN）VGG16架构。A.S. Paymode和VB 马洛德农业人工29¼ ð Þ¼ ð Þ ¼ ¼ ð Þ ð Þ¼图8.接收器工作特性FP与TP表2用于训练模型的参数设置超参数值设置作物葡萄番茄卷积层13最大池化层5辍学率015/0.25/0.50激活函数Relu，Softmax时间20/25/30/40/45学习率0.00001/0.0001图像大小224 x 224 x 3TPR灵敏度TP，TNR特异性TN4��FPRFP5FP其中，TPR为真阳性率、TNR真阴性率和FPR假阳性率。3.3.2. 受试者工作特征受试者工作特征（ROC）曲线用于理解分类排序的确定性指示以及计算建模挑战。 该曲线是显示在不同标准限度下假阳性与真阳性的比率的图（见图1）。（八）。同样具有最大真阴性率值的原型用于正确地对缺陷进行分类，并且具有最高真阳性率值的模型用于正确地健康分类。 为了通过减少训练和测试的处理时间来提高生产力，MCC（马修斯相关系数）被用于总计算。MCC是将复杂数据分类为不同类别的标准。MCC是一种优于准确性的方法，只有当真阳性、真阴性、假阴性和假阳性结果都是阳性时，MCC才具有显著的重要MCC的范围从1（最差判断）到1（完美预测），MCC为0表示随机猜测。该模型通过epoch，隐藏层，隐藏节点，激活函数，dropout，学习率和批量大小的数量进行调整。超参数整定影响模型性能。术语“超参数调整”是指重复调整隐藏层、时期、激活函数或学习速率的过程。 该模型是微调，以达到最佳的准确性，同时最大限度地减少平均损失。实验分析是在Google Colaboratory上对Google搜索产品进行的。Colaboratory平台支持Python编程，几乎所有的Python库都是为了研究目的而上传和安装的Python 3 Google Compute Engine后端（GPU）的RAM为12.72 GB，磁盘空间为68.40 GB，可在实验时使用。数据集在安装驱动器的情况下上传，模型在具有高配置的Google平台上进行训练。一个Python转换为图像函数用于将所有图像转换为数组并从目录中获取图像。处理后的图像来自一个目录，所有标签图像都使用label binarizedsklearn python包进行转换。使用train-test-split Python函数将图像总数分为训练和测试。如表2所示设置模型参数，并训练模型以计算所有可训练和不可训练的参数。Adam优化算法用于训练深度学习卷积神经网络模型。算法优化精确度<$TP，召回率<$ TPð6Þ稀疏梯度噪声问题。G-均值公司简介.M召回¼Σ1中国台湾输入网络使用224 X 224个图像，批次大小分别为葡萄30个和西红柿25个，并且相同的测试是每-7是针对具有批量大小和学习率的不同时期在每一∏K1Km具有2 x 2池大小的轮询层，并在在网络中，模型执行最大池化操作。输出这里m表示类别的数量，G表示TNR和FPR准确率。平均精确度（mAP）是算法的评价标准，它包括精确度、召回率和平均值。图像处理和检测在很大程度上依赖于mAP。从整个结果来看，准确度分类正确。从完整的发现来看，重新呼叫被正确分类。F1分数是评价算法的另一个重要指标它的查准率和查全率的基本原理如下所示最后一层是oftmax激活多作物发育预测。在网络的训练阶段，超参数，如学习率和epoch大小进行了调整。葡萄和番茄的平均准确率分别为98.40%和95.71%在不同的值下测试学习率，以优化目标性能。验证过程基于来自多裁剪数据集的图像的总数随着不同时期和批量大小的设置，准确性得到了提高和增长。利用作物叶片图像数据集，采用迁移学习技术对模型进行训练，识别病害的种类和类别F1得分2×精确度×召回率精确度ð8Þ包括VGG16在内的niques。 原始数据集分为训练数据占80%，验证数据占10%，测试数据占10%。表3实验结果为葡萄模型设置了不同的参数。时期数学习率辍学率图像数量训练损失训练精度验证损失验证精度400.000010.254500.08970.98400.04860.9889300.00010.504500.11360.95850.06860.9867450.000010.254000.09950.97960.05290.9858450.00010.257500.08750.96960.05210.9853300.00010.504500.13260.9570.06860.9843400.0010.306000.11390.96060.05290.9831A.S. Paymode和VB 马洛德农业人工30表4设置不同参数的番茄模型实验结果时期数学习率辍学率图像数量训练损失训练精度验证损失验证精度250.00010.252000.16430.95710.26270.9432350.000010.201800.22030.92810.31430.9013300.000010.152000.26240.90970.33450.8926300.000010.252000.30420.89830.37360.8849300.000010.251800.48710.83540.41490.8671300.000010.502000.52260.82550.45080.85383.4. 培训和验证准确性训练和验证的准确性是通过在训练模型时设置不同的值来衡量的。实验在Google Colaboratory进行，可用RAM为12.50 GB。在执行实验时，为以下各项设置不同的值：epoch数、学习率、辍学率以及标记为训练损失、训练准确度、验证损失和验证准确度的图像数。模型的性能在葡萄和番茄作物的叶子上进行了测量和验证。表3和表4分别显示了对葡萄和番茄进行的实验结果的细节3.5. 图和图表一个模型的性能进行测量和验证的训练，测试，和验证方法的葡萄和番茄叶。 图9和图图10分别显示了葡萄叶和番茄的训练和验证精度以及损失。混淆矩阵已被用于测量葡萄和番茄叶的性能参数，如图所示。 十一岁用收集到的事实做实验。建议的方法使用我们的葡萄和番茄图像数据集进行测试，这些图像数据集是在具有各种背景和光照强度的真实场景中拍摄的，类似于第4.4节中所做的测试图九. 培训和验证。（a）准确性和（b）VGG16葡萄的损失图10. 培训和验证。（a）准确性和（b）VGG16番茄的损失A.S. Paymode和VB 马洛德农业人工31图11. 混淆矩阵。（a）西红柿和（b）葡萄。图12. 不同模型与推荐VGG16葡萄准确度百分比（%）的比较。为了保证样本图像的多样性并避免过拟合问题，使用数据增强技术，如随机旋转、平移和尺度变换，以及相关的预处理活动来扩展训练样本。下文将更详细地描述这些过程1. 图像调整大小：对于模型拟合，将总图像缩放为224 x 224像素的大小，并且使用数据增强方法增强从每个健康和不健康类别中拍摄的最少200张图像。2. 图像预处理：图像预处理用于对不同长度的图像数据进行变暗处理，使其达到比例图13. 不同模型与推荐的VGG16番茄的百分比（%）准确度之间的比较。百分百分之百百分之91.83%百86.10%百分之八十五81.11%80.30%西红柿方法准确度百分比百分之一百二十百分百百分之八十百分之百分之百分之91.83%88.46%81.11%提出深度学习VGG 16VGG多上下文深度迁移深度学习融合网络学习VGG DCNNAlexNetVGG16葡萄方法DLInception-v1准确度百分比A.S. Paymode和VB 马洛德农业人工32以及在试图防止图像变形的同时保持初始图像的知识形成。3. 数据集划分和训练。在本节中，选择随机样本图像用于拟定实验，并根据第4.4节计算结果4. 验证和测试。测试是在用于评估模型的图像上进行的，并且来自外部建模的新图像将输出结果与实际类别进行比较，计算与它们一起使用的控制的有效性。利用RDN重构模型，将残差块收集和DesnseNet应用于番茄叶部病害的识别 在输入图像归一化并添加卷积层残差模块后，密集层对番茄疾病图像进行分类，具有95%的准确度疾病数据集（Zhou等人，2021年）。2018年AI Challenger大赛公开数据集使用了Inception-ResNet-v2模型，使用了CNOU激活函数，准确率为86.1%。 （Ai等人， 2020年），在复杂背景条件下，VGG Net的精度为91.83% 。 INC-VGGN 水 稻 病 害 检 测 的 另 一 种 方 法 ， 对 于“Phaeo_sphaeria Spot”和“Maize Eyespot”病害两者的平均准确度为80.38%（J. Chen等人， 2020年）（见图）。 13）。四、联系我们本文收集了两种类型的作物病害叶片，并准备了一个数据集，具有可用的数据。将数据扩充、数据预处理、训练和测试技术应用于基于卷积神经网络的VGG16模型。所提出的模型的建立和测试，以提高性能的测量和比较。与其他可用的数据集和方法相比，评价因此，我们提出的研究工作提高了葡萄的准确率为98.40%，番茄为95.71%。始终提高田间作物的性能，叶片图像和病害分类和分析是关键的一步，但我们的模型取得了最高的性能，支持了农业发展。研究的主要重点是促进农业部门的发展和粮食生产的增加收集和准备真实的数据集并应用于具有多个作物叶片图像的深度学习模型是未来的目标。 在未来，预计将使用Inception V3和基于ResNet的CNN模型对作物图像进行更深入的分析。我们的工作鼓励和激励农民，最终提高农民收入，帮助建立强大的国家。Acknowlegements来自马哈拉施特拉邦Nashik和Aurangabad的农民为研究目的收集了真实的田间作物图像。我们要感谢你博士Panjabrao DeshmukhKrushi Vidyapeet（博士。感谢他们的鼓励和援助。消除竞争优势作者声明，他们没有已知的竞争性经济利益或个人关系，可能会出现在这篇论文中报告的工作我觉得这是个好主意我们声明，本手稿为原创，之前未发表过，目前也未考虑在其他地方发表我们想提请编辑注意我们中的一个或多个人的以下出版物，这些出版物涉及手稿的各个方面目前正在提交。如附有该等刊物的有关副本，我们希望提请编辑注意以下事实，这些事实可能被视为利益的潜在冲突，并对这项工作作出重大的财政贡献[或]我们希望确认，不存在与本出版物相关的已知利益冲突，也不存在可能影响其结果的重大财务支持我们确认所有署名作者均已阅读并批准了该手稿，并且没有其他符合作者资格标准但未被列出的人。我们进一步确认，手稿中列出的作者顺序已得到我们所有人的认可。我们确认，我们已充分考虑到与本作品相关的知识产权保护，并且在知识产权方面不存在出版障碍，包括出版时间在此过程中，我们确认我们遵守了我们机构有关知识产权的规定。我们进一步确认，本手册所涵盖的任何涉及实验性人类患者的工作方面均已在所有相关机构的伦理批准下进行，并且在手稿中确认了此类批准我们理解，通讯作者是编辑过程的唯一联系人（包括编辑经理和与办公室的直接沟通）。他/她负责与其他作者沟通进展、提交修订版和最终批准证明。 我们确认，我们已提供了一个当前的、正确的电子邮件地址，该地址可由相应作者访问，并已被确认接受来自biomaterials@elsevier. com的电子邮件。引用艾，Y.，孙角，澳-地Tie，J.，蔡某，2020年。恶劣环境下基于深度学习的农作物病虫害识别模型研究。IEEEAccess8，171686-171693。https://doi.org/10.1109/access.2020.3025325。Alenca st re-M ir and da，M. ，Joh n s on，R. M. ，K re bs，H. 一、 20 21 不同甘蔗品种品质检验之自动化作业与迁移学习。IEEE Trans. 工业告知。 17（2），787-794。https://doi.org/10.1109/TII.2020.2992229网站。Ang，K.L.M.，Seng，J.K.P.，2021年 大数据和机器学习与农业中的高光谱信息。IEEEAccess 9，36699-36718。https://doi.org/10.1109/ACCESS的网站。 2021.3051196。Arun Pandian，J.，Geetharamani，G.，安妮特，B.，2019年。使用图像处理和深度学习技术对植物叶病图像数据集进行数据增强。2019年IEEE第9届高级计算国际会议的主持人，IACC 2019，pp。199https://doi.org/10.1109/IACC48062.2019.8971580。陈杰，陈杰，Zhang，D.，中国农业科学院农业研究所所长，Sun，Y.，Nanehkaran，Y.A.，2020年。使用深度迁移学习进行基于图像的植物病害识别。Comput.电子农业173（2019年11月）105393. https://doi.org/10.1016/j.compag.2020.105393网站。Chen，C.J.，黄燕燕，Li，Y.S.，Chen，Y.C.，张春英，Huang，Y.M.，2021年在嵌入式无人机上通过深度学习识别果树害虫，实现精准喷药。IEEE Access 9，21986-21997。https://doi.org/10.1109/ACCESS.2021。3056082Ferentinos，K.P.，2018年 用于植物病害检测和诊断的深度学习模型。Comput. Elect.Agric. 145 （ September 2017 ） ， 311-318. https://doi.org/10.1016/j 的 网 站 。compag.2018.01.009。甘地河，Nimbalkar，S.，Yelamanchili，N.，Ponkshe，S.，2018年使用CNN和GANs作为增强方法的植物疾病检测 2018 IEEE创新研究与开发国际会议，ICIRD 2018，5月号：1https://doi.org/10。1109/ICIRD.2018.8376321。Hiary，H.，Al，S.B.，Ahmad，M.，Reyalat，M.Braik，ALRahamneh，Z.，2011年。 快速准确地检测和分类植物病害。国际计算机17（1），31-38. https://doi.org/10.5120/2183-2754。Jin，X.，切，J.，陈玉，2021年蔬菜种植中使用深度学习和图像处理的杂草识别。IEEEAccess 9，10940-10950。https://doi.org/10.1109/AC-CESS.2021.3050296.Kurmi，Y.，Gangwar，S.，Agrawal，D.，库马尔，S.，Srivastava，H.S.，2020年。基于叶片图像分析的作物 病害分 类。信 号图 像视频 处理。 https://doi.org/10 的网 站。1007/s11760-020-01780-7。Liu ， S.Y. ， 2020 年 。农 业人 工智 能（ AI ）IT 专 业 22 （3 ） ，14-15. 网 址：http ：//doi.org/10.1109/MITP.2020.2986121Massi，I.E.，穆斯塔法，Y.E.-s.，Yassa，E.，Mammass，D.，2020年。 多分类器组合自动识别植物叶片病害. 信号图像视频处理。https://doi.org/10.1007/s11760-020-01797-y网站。A.S. Paymode和VB 马洛德农业人工33Nevavuori，P.，纳拉，N.，Lipping，T.，2019年。 基于深度卷积神经网络的作物产量预测。 来吧。 E LE CT。 A GR IC. 163（ 6月）10 4 8 59. h ttps：//doi. 或g/10。1016/j。 2019.104859.Paymode，A.S.，Malode，V.B.，Shinde，U. B.，2020年。 农业中叶病检测和预测的人工智能：综述13（4），3565-3573。Simonyan，K.，Zisserman，A.，2015.用于大规模图像识别的深度卷积网络。第三届国际学习表征会议，ICLR 2015 -会议跟踪程序。http://www.robots.ox.ac.uk/网站。孙，J.，杨，Y.，他，X.，小红，W.，2020.基于深度学习的复杂田间环境下玉米大斑病检测。IEEE Access 8，33679-33688。https://doi.org/10.1109/ACCESS.2020.2973658。吴伟，杨，T. L.，Li，R.，陈春，Liu，T.，Zhou，K.，（1991年），Sun，C.M.，Li，C.Y.，Zhu，X.K.，Guo，W. S.，2020. 基于深度学习方法在各种场景和尺度下检测和计数小麦颗粒J.积分19（8）。https://doi.org/10.1016/S2095-3119（19）62803-0.Xie，X.，妈妈，Y.，刘，B.，他，J.，Li，S.，王，H.，2020年。基于深度学习的葡萄叶病实时检测器，使用改进的卷积神经网络。前面植物科学11日（6月）1-14日