猕猴桃作为一种富含维生素 C 等多种营养成分的水果在全球水果市场中占据着重要地位。中国是猕猴桃的原产国也是种植和生产大国。然而猕猴桃在生长过程中极易受到多种病害的侵袭尤其是猕猴桃叶病害严重影响了猕猴桃的产量与品质给果农带来了巨大的经济损失。传统的猕猴桃叶病害识别主要依赖人工经验这种方式不仅效率低下而且准确性易受主观因素影响难以满足现代化农业大规模、快速检测的需求。因此开发一种高效、准确的猕猴桃叶病害识别分类系统具有重要的现实意义。本研究旨在利用深度学习技术构建猕猴桃叶病害识别分类系统以实现对猕猴桃叶常见病害的快速、精准识别。研究过程中首先收集了大量涵盖不同生长阶段、不同病害类型的猕猴桃叶图像构建了一个包含多种常见病害如黑斑病、炭疽病、灰霉病等的图像数据集。针对收集到的图像运用数据增强技术如旋转、缩放、裁剪、翻转等扩充数据集规模有效提升模型的泛化能力。在深度学习模型的选择上对多种经典模型进行对比分析最终选用在图像分类任务中表现优异的卷积神经网络CNN模型作为基础架构并针对猕猴桃叶病害识别的特点进行了优化改进。通过调整网络层数、卷积核大小、池化方式等超参数使模型更贴合猕猴桃叶病害图像的特征提取与分类需求。在模型训练阶段采用交叉熵损失函数作为优化目标运用随机梯度下降SGD及其变种算法如 Adagrad、Adadelta、Adam 等进行参数更新以最小化模型预测结果与真实标签之间的误差。同时利用早停法防止模型过拟合通过在验证集上监控模型性能当验证集准确率不再提升时停止训练保存最优模型参数。实验结果表明所提出的基于深度学习的猕猴桃叶病害识别分类系统在测试集上取得了较高的准确率能够准确识别多种猕猴桃叶病害整体识别准确率达到 [X]% 以上显著优于传统的基于人工特征提取的病害识别方法。该系统不仅提高了病害识别的效率还降低了对人工经验的依赖为猕猴桃种植户和农业技术人员提供了一种便捷、高效的病害检测工具。本研究成功构建了基于深度学习的猕猴桃叶病害识别分类系统为猕猴桃病害防治提供了新的技术手段和方法具有广阔的应用前景和推广价值。未来的研究可以进一步优化模型结构结合更多的农业环境数据如温度、湿度、土壤肥力等实现对猕猴桃病害的早期预警和精准防控助力智慧农业的发展。关键字深度学习猕猴桃Python叶病害识别4.1 构建数据集猕猴桃叶部6种病害及正常叶片的图像样本如图4- 1所示。(1)褐斑病发病初期形成近圆形暗绿色水浸状斑在高温高湿的条件下病斑 迅速扩展形成大型近圆形褐色病斑。(2)花叶病叶脉两侧形成鲜黄色不规则线状或片状斑病健部交界明显严重 时病斑连接成片叶部大面积呈黄色。(3)灰斑病从叶片叶缘开始发病叶片上有灰色病斑叶面的病斑受叶脉限制 呈不规则状。病斑穿透叶片叶背病斑呈黑褐色叶面暗褐至灰褐色。(4)灰霉病灰霉病从叶缘开始发病病处可见灰白色菌丝。叶片边缘感病后 出现褐色坏死略具轮纹潮湿时着生大量灰色霉层。(5)溃疡病气温升高后病菌向叶部转移叶片出现不规则形的暗褐色病斑病斑外缘有明显的黄色晕圈重病叶向内卷曲。(6)炭疽病发病多从叶片边缘开始初期水渍状后期变为褐色不规则形病斑 中央灰白色边缘深褐色病斑正背面散生许多小黑点。本研究数据集采集采用如下两种方式一是用电子移动设备 HUAWEI nova 7 SE 实地拍摄采集共采集 1500 张猕猴桃叶部病害图像时间2024 年 3-11 月地点 猴场红心猕猴桃基地二是利用爬虫技术在百度、谷 歌等网络上获取图像 117 张。最终收集 7 个类别共 1617 张猕猴桃叶部病害图像数 据集各图像的分类如表 3-1 所示。表 4-1 数据集图像分类表病害种类总数量猕猴桃褐斑病2322猕猴桃花叶病1176猕猴桃灰斑病1194猕猴桃溃疡病190猕猴桃炭疽病1326健康猕猴桃叶片1296总数量97024.3构建ResNet50猕猴桃叶部病害分类模型随着计算机运算能力的逐年提升深度学习领域的网络结构也日趋庞大和复杂。 在这一背景下ResNet50 作为一种相对轻量级的深度 CNN 模型以其较低的计算和 存储成本在图像分类任务中展现出良好的性能和出色的泛化能力[49]。相较于更深层 次的 ResNet模型ResNet50 在保持高效性能的同时降低计算和存储的复杂度。因 此基于其优秀的特征和适应性选择 ResNet50 作为猕猴桃叶部病害分类研究的基 础网络模型。主要研究的猕猴桃叶部病害识别算法针对 6 种病害及健康叶片分别为猕猴桃叶 部褐斑病、花叶病、灰斑病、灰霉病、溃疡病炭疽病因此实现的CNN 为一个 7 分类网络ResNet50 的网络结构参数如表 3-3 所示基础模型 ResNet50 的结构如图 3-3 所示。输入到网络的是一张尺寸为 224×224 的三通道 RGB 图像。图像首先通过一个 7×7 的卷积层进行处理随后经过一个 3×3 的最大池化层。之后图像数据将流经 16 个精心设计的瓶颈构建块。这些构建块在 面对尺寸增加时会采用 1×1 的卷积来调整特征图的维度不仅丰富模型的抽象能力 还有效地降低计算的时间复杂度。在网络的末端经过一个池化层和全连接层的处理最终输出图像的分类结果。 此外这个特征图还会被送入 Softmax 分类器用于计算各类别的预测概率以及预测 损失。值得一提的是ResNet50 通过独特的跨层连接设计将输入信息以分支的形 式直接传递到输出端从而确保信息的完整性。这种连接方式使得网络能够专注于学 习输入与输出之间的差异部分大大简化训练学习的目标并有效地降低学习的复杂度。图4-3 ResNet50 网络架构4.4嵌入CBAM注意力机制注意力机制 (Attention Mechanism)是深度学习中一种至关重要的技术其核心 理念在于模仿人类在信息处理过程中的注意力分配策略。通过这种机制模型能够有 选择性地加强对输入数据中不同部分的关注进而提升模型的效能。特别是在处理序列数据时注意力机制允许模型在处理每个输入单元时灵活地聚焦于序列中不同位 置的信息而非对所有信息一视同仁。这种特性极大地增强模型捕捉序列中长距离依 赖关系的能力从而显著提高模型的性能和泛化能力。(1)通道注意力 (Channel Attention Mechanism)在 CNN 中每个通道的特征图都是由特定的特征提取器计算生成的。通道注意 力机制的核心在于关注这些特征尤其是针对猕猴桃叶片图像的特征。为实现这一目 标需要对空间特征进行汇总。图3-5展示通道注意力模块的结构。该模块接收一个 形状为C×H×W 的特征作为输入首先通过分别进行全局最大池化和全局平均池化操 作获得两个形状为C×1×1的通道描述。这两个通道描述随后被送入一个共享的两 层神经网络进行处理。经过网络运算后得到的新特征图相加并经过 Sigmoid 激活函 数的作用生成通道权重系数。最后这个通道权重系数与模块的原始输入特征进行 相乘操作从而得到缩放后的新特征这个新特征将作为空间注意力模块的输入用 于进一步处理猕猴桃叶片图像。图 4-5 通道注意力模块结构图与通道注意力模块侧重于特定的特征(或特征提取器)不同空间注意力模块则 将焦点放在输入的猕猴桃叶片图像中具有显著特征信息的区域(如病害)。图3-6清 晰地描绘空间注意力模块的结构。该模块的输入源自通道注意力模块的输出特征。这 些特征首先经过通道维度的最大池化和平均池化处理生成两个1×H×W 的空间描述。 这两个描述随后在通道上拼接接着通过7×7的卷积层和 Sigmoid 激活函数得到空 间权重系数。当这些空间权重系数与模块的输入特征进行相乘时便产生具有更丰富局部细节的猕猴桃叶片图像新特征。5.2图像识别图像识别是系统核心功能。用户上传猕猴桃叶图像后系统首先对图像进行预处理包括去噪、增强对比度等提升图像质量。接着利用基于深度学习的 ResNet50 模型对图像进行特征提取与分析与已训练的病害特征库进行比对识别出猕猴桃叶病害类型如黑斑病、炭疽病等并评估发病程度。整个识别过程在服务器端快速完成识别结果会在短时间内反馈给用户同时提供相应的防治建议为果农及时采取措施提供有力支持如图5-2所示。5.4数据可视化数据可视化功能将系统中的各类数据以直观的图表形式呈现。对于病害识别数据以柱状图展示不同病害的发生频率以折线图体现病害随时间的变化趋势帮助用户快速了解病害分布情况。针对用户数据用饼图展示不同地区用户占比地图可视化呈现用户种植区域分布。通过数据可视化用户能更清晰地把握整体情况农业专家也可基于这些可视化数据进行分析研究为制定病害防治策略提供数据支撑提升系统数据的利用价值如图5-4所示。