基于深度学习特征的植物病虫害检测

 ABSTRACT

        及时、准确地诊断植物病害，对于防止农业生产的损失和农产品的损失或减少具有重要作用。为了解决这类问题，可以使用基于机器学习的方法。近年来，在图像处理中应用尤其广泛的深度学习为精准农业提供了许多新的应用。在本研究中，我们利用九种强大的深度神经网络结构的不同方法来评估植物病害检测的性能结果。采用迁移学习和深度特征提取方法，使这些深度学习模型能够适应当前的问题。在本文的工作中，我们考虑了利用预处理的深度模型进行特征提取和进一步的微调。通过深度特征提取得到的特征通过支持向量机(SVM)、极限学习机(ELM)和k -最近邻(KNN)方法进行分类。实验使用的数据包括来自土耳其的真实疾病和害虫图像。计算准确性、敏感性、特异性和f1评分，进行绩效评价。评价结果表明，深度特征提取和SVM/ELM分类的效果优于迁移学习。此外，AlexNet、VGG16和VGG19模型的fc6层与其他层相比产生了更好的精度得分。

关键词:植物病虫害检测，卷积神经网络，深度学习架构，特征提取，分类器方法

Introduction

        在植物中，病害的征兆通常发生在叶片、果实、芽和幼枝上。这种情况会导致水果浪费(掉落)或被损坏。此外，这些疾病导致新的感染和疾病的传播，诸如季节性条件。因此，在疾病传播到其他树木之前，提前确定疾病并采取必要的预防措施是非常重要的。因此，与植物病虫害作斗争是农业中唯一最重要的问题[1-3]

        影响植物的疾病有很多种，每种都可能造成经济、社会和生态损失。在此背景下，及时、准确地诊断植物病害对防止农产品产量和数量的损失具有重要作用。植物病害的检测通常是人工进行的。这些过程由植物学家和农业工程师等专家进行，首先通过视觉检查，然后在实验室环境中进行。这些传统方法往往是耗时且复杂的过程[1,3]。基于这些原因，基于图像处理和机器学习的自动识别疾病变得非常重要。用视觉检测的方法对植物病害进行自动诊断，对那些对所种植的产品知之甚少或一无所知的用户有很大的帮助。

关于植物病害的检测，文献中有许多研究。在过去的十年中，这些研究往往是基于分类过程，利用颜色、形状、纹理等特征进行的[4 - 7,9,9,10]。基于这些属性的方法的主要缺点是:

        •单独使用时性能非常低，尽管已经尝试通过几种方法的组合来提高性能。

        •要求使用分段的方法，这意味着植物必须从其根分离，以提取几何和类似的特征。

        •使用包含在现实生活中很难获得的图像的数据集

        由于这些原因，这样的系统和方法不能在现实生活中使用。近年来，深度卷积神经网络(CNNs)在视觉对象和机器学习领域取得了显著进展。对于这些区域，改进的模型和方法最大的优点之一是可以不使用分割方法进行特征提取。因此，这些方法和模型可以很容易地应用于实际应用中

        cnn作为基础的深度学习工具，在多项植物病害检测研究中取得了显著的成功。Amara等人[11]使用LeNet架构作为卷积神经网络来分类图像数据集，包括能够对比健康和患病蕉叶。这些都是通过迁移学习微调的深度模型进行评估的。Mohanty等人使用了一个包含54,306张患病和健康植物叶片图片的数据集。使用基于深度CNN的AlexNet和GoogleNet模型对它们的性能进行评估，以识别14种作物物种和26种疾病。Fujita等人开发了一种新的实用植物病害检测系统，包含七种病害类型。他们使用基于cnn的分类系统，在四倍交叉验证策略下，平均准确率为82.3%。Sladojevic等人提出了一种利用深度卷积网络识别13种不同类型植物病害的新方法。富恩特斯等人开发了一种强大的基于深度学习的检测器，可以实时识别九种不同的番茄病虫害

        本文提出了一种基于深度神经网络的植物病虫害检测系统。在这项研究中，我们使用了土耳其的真实植物病虫害图像数据集。首先，我们使用该数据集进行基于深度学习架构的深度特征提取:AlexNet、VGG16、VGG19、GoogleNet、ResNet50、ResNet101、InceptionV3、InceptionResNetV2和SqueezeNet。利用SVM、ELM和KNN对这些模型得到的深度特征进行分类。然后，我们使用基于迁移学习的深度学习模型进行微调。我们去掉架构的最后三层，然后添加新的层，采用预先训练的cnn来解决这个问题。最后，我们利用迁移学习和深度特征提取方法对性能结果进行了评价。本文提出的植物病害分类方法的主要贡献如下:

        •使用图像进行植物病虫害分类对于机器学习来说是有问题的。为了对这些图像进行分类，文献中提出了各种方法。目前，深度学习方法是机器学习的一种现象，在有监督学习的文献中已经提出了各种深度学习网络。本文利用迁移学习和深度特征提取技术，对九种常用的植物病虫害深度学习网络(AlexNet、GoogleNet、VGG16、VGG19、ResNet50、ResNet101、InceptionV3、Inception ResNetV2和SqueezeNet)进行了研究，并对其结果进行了综合讨论

        •本工作提出了一种新的分类体系结构，使用预处理的深度学习网络和传统的分类器。九个深度学习网络也被用于特征提取。使用这些网络可以提取不同大小的特征。分类阶段采用传统分类器SVM、ELM和KNN进行10次交叉验证。结果表明，该体系结构比基于迁移学习的网络具有更高的分类精度。

        •提出的架构比基于迁移学习的模型具有更低的计算复杂度。通过对执行时间的计算，证明了这种情况。

        •在文献中，研究通常使用合成的植物病虫害图像进行。在这项研究中，我们使用了一个由1965年真实植物病虫害图像组成的数据集，分为8个集群。在该数据集上进行了测试，结果清楚地证明了该方法可以用于实际应用。

        研究组织如下。在第2节中详细给出了所提议的方法，而在第3节中给出了所提议的体系结构。第四节给出了实验工作和结果。最后，在第5节中，讨论了结果，并介绍了研究的贡献。

2. Materials and methods

        本节在适当的副标题下详细介绍了本文的理论背景、相关算法、数据集和推荐方法。

2.1. Deep learning and pretrained CNN models

        深度学习是机器学习技术的一种形式，它使用由多个处理层组成的计算模型来学习数据[16]的特征。由于深度学习在分类和识别等领域取得了显著的高成就，人们对这门学科的兴趣增加了。近年来，这些方法已被应用于许多领域，如语音识别、视觉目标识别和目标检测。虽然深度学习的第一次研究有着很长的历史，但近年来其成功的主要原因是大数据的产生和具有大规模内存的更快的计算机的产生

本研究通过尝试九种最强大的深度神经网络架构的不同方法来评估植物病害识别问题的性能。这些深度学习架构在ImageNet数据库的一个子集上进行训练。AlexNet架构是一种深度学习算法，共有25层，可以在8层[19]上训练权重。GoogleNet架构基于网络中的方法，使用架构模块并行使用多个卷积来提取各种特征点[20,21]。牛津视觉几何小组(VGG)提出的VGG网络是一种同质架构，用于在ILSVRC-2014竞赛[22]中获得更好的结果。ResNet网络是由He等人开发的，用来训练深度更大的网络[23]。该架构基于微架构模块，不同于传统的连续网络架构，如VGGNet和AlexNet。Inception网络是Szegedy等人提出的一种卷积神经网络模型[21]。该网络由大量的卷积和最大池步骤组成。在最后一个阶段，它有一个完全连接的神经网络。InceptionResNetV2网络[24]基于基于inctionbased网络结构和剩余连接。InceptionResNetV2执行几乎与Inception体系结构相同，但是这个体系结构在使用剩余连接[25]的训练中取得了显著的加速。SqueezeNet是由Landola等人开发的一种智能架构，在ImageNet上实现alexnet级别的精度，且参数[26]减少了50倍。表1详细描述了这些体系结构的特征

2.2. Classifiers

本文采用SVM、ELM和KNN等传统分类器方法，从预训练的深度学习模型的特定层中提取深度特征，构建深度特征分类模型

2.2.1. K-nearest neighbor (KNN)

        KNN分类器使用监督学习方法。该方法广泛应用于机器学习、图像处理和统计估计等领域。这种方法是一种算法，当有新的数据输入时，对已有的学习数据进行分类。这种方法的原则是将新的数据输入分配到先前建立的样本集中最近的簇中。这两个数据点之间的距离是通过使用各种距离函数来计算的。最著名的函数是欧几里得距离、闵可夫斯基距离和曼哈顿距离。此外，该方法最大的优点是应用简单易懂[27,28]

2.2.2. Support vector machine (SVM)

        SVM是Vapnik开发的一种基于统计学习理论[29]的方法。支持向量机方法的目标是有一个线性判别函数，它的边缘值最大，能够将类之间分离开来。最接近超平面的学习数据称为支持向量。支持向量机可以将数据集分类为线性可区分的和不可区分的[30]。该分类器已成功应用于解决图像和物体识别、语音识别、指纹识别、笔迹识别等诸多领域的问题[29-31]。

2.2.3. Extreme learning machine (ELM)

        ELM是Huang等人提出的一种单隐层前馈网络(SLFNs)的学习算法。在ELM中，使用最小二乘法计算输出权值，而隐层权值是随机生成的[33]。ELM模型如式(1)所示。

 

 2.3. Dataset

        用于测试该方法性能的数据集包括土耳其Malatya、Bingöl和Elazığ地区常见的植物病害图像(图1)。这些图像是由尼康7200d相机获得的。该数据集中的每张图像由4000×6000分辨率和三通道(RGB)彩色图像组成。表2列出了该数据集中植物病虫害的名称和数量

         从表2中可以看出，该数据集共包含了属于8种不同植物病害的1965幅图像。该数据集由土耳其Bingöl大学和İnönü大学农学院植物保护领域的学者获得。这些图像是在白天不同的日子获得的。此外，疾病的图像使用了大量不同的树木

3. Proposed method

        在本研究中，我们应用了来自各个全连接层的深度特征提取和基于预训练的深度学习架构的迁移学习。拟议研究的方案如图2和图3所示。迁移学习和深度特征提取将在以下小节中详细介绍        

 3.1. Transfer learning

        迁移学习是一种机器学习方法，它被重用为一个起点，通过使用从解决问题中开发的模型中获得的知识来解决不同的问题。本研究利用基于迁移学习的预训练CNN模型对其进行微调。使用预先训练的CNN模型的原因是，它们比训练随机初始化权值[35]的CNN模型更快、更容易。此外，微调过程是基于将新的层而不是最后三层预训练网络转移到我们的分类任务，如图2所示。

 3.2. Deep feature extraction

        深度特征提取是基于从预处理卷积神经网络中提取学到的特征。这些特征被用来训练机器学习分类器。换句话说，该方法是基于从预训练网络的全连通层中提取深度特征。本研究从某一层次的深度学习模型中提取有效的深度特征，分别是GoogleNet、ResNet50、ResNet101、InceptionV3、InceptionResNetV2以及SqueezeNet和pool5-drop_7x7_s1、fc1000、fc1000、predictions、predictions和pool10。此外，从GoogleNet、ResNet50、ResNet101、InceptionV3、InceptionResNetV2和SqueezeNet模型的这些层分别获得1024、1000、1000、1000、1000和4096的特征向量。将得到的深度特征运用传统的SVM、ELM和KNN分类器进行分类，如图3所示。

         在本研究中，在分类阶段使用传统的SVM、ELM和KNN分类器，分别从这三层中获得AlexNet、VGG16和VGG19模型的深度特征，利用分类器方法计算性能。然后比较各层的性能，确定最佳层的深部特征。此外，从AlexNet、VGG16和VGG19模型的fc6和fc7层得到4096个特征向量，从这些模型的fc8层得到1000个特征向量。

3.3. Summary steps of proposed architecture and transfer learning

以下步骤总结了本文提出的深度特征提取:

步骤1:获取植物图像。

步骤2:利用双线性插值，根据深度网络调整植物图像的大小。例如，在ResNet50和AlexNet中分别使用224×224和227×227大小的彩色图像。

步骤3:利用深度学习模型的全连接层提取特征。

步骤4:使用SVM、KNN和ELM分类器对深度特征进行分类。迁移学习的主要步骤如下:

        第一步:获取植物图像。

        步骤2:利用双线性插值，根据深度网络调整植物图像的大小。

        步骤3:从预处理的深层模型中去掉最后三层，代之以全连接层、softmax层和分类输出层，采用预处理的CNN网络来解决问题。

        步骤4:使用新创建的深度模型进行分类。

4. Experimental studies

        在本研究中，我们利用九种强大的深度神经网络结构的不同方法来评估植物病害检测的性能。实验研究使用MATLAB深度学习工具箱进行。所有应用程序都运行在具有64gb内存的2xCore Intel Xeon E5服务器上。该服务器配备了NVIDIA Quadro M4000和8 GB内存。我们使用SVM、ELM和KNN方法来测试深度特征的分类精度。该研究使用了一个对所有的方法和一个三次SVM作为分类器类型的SVM分类器参数。此外，我们使用一个s型函数作为激活函数，并使用一个隐藏层神经元数目为10,000作为ELM分类器参数。最后，我们使用欧式距离函数和KNN算法的1NN-3NN值作为KNN分类器参数。

        为了测试该方法的性能，我们使用了一个包含我们自己的植物病害图像的数据集。该数据集包括8种不同植物病害的1965张图片。表2给出了每种植物用于训练和测试的数值分割。为了计算提出的方法的性能，应用了10倍交叉验证测试。此外，我们使用准确性、敏感性、特异性和f1评分等性能指标来衡量实验研究的分类性能。实验结果和性能比较在下面的小标题下详细说明。

4.1. Results based on deep feature extraction with AlexNet, VGG16, and VGG19 models

        在本节中，我们基于预处理的AlexNet、VGG16和VGG19模型，使用三个不同的全连接层进行深度特征提取。对于每一个模型，从fc6、fc7和fc8层中提取深层特征。然后使用SVM、ELM和KNN方法计算这些特征的性能。这些实验研究的准确性评分如表3所示。此外，根据计算出的平均精度分值及其标准差，对这些精度分值进行评价。

        如表3所示，使用SVM、ELM和KNN方法对AlexNet、VGG16和VGG19模型的fc6、fc7和fc8层获得的深层特征进行性能测试。根据得到的精度分数，fc6层对这些模型具有最好的深度特征。使用SVM分类器，AlexNet模型的最高精度为95.5%。使用SVM分类器的VGG16模型的最高准确率为95%，使用ELM分类器的VGG19模型的最高准确率为94.74%。此外，在表3中给出了AlexNet、VGG16和VGG19模型的每个全连接层的执行时间。从这些结果可以看出，在所有全连接层中，AlexNet的训练时间在三个模型中最低，而VGG16和VGG19的训练时间几乎相等。此外，表4给出了与这些实验研究相关的敏感性、特异性和f1评分的表现指标。

 4.2. Results based on deep feature extraction with other deep learning models

        在本节中，我们使用全连接层进行深度特征提取，基于GoogleNet、ResNet50、ResNet101、InceptionV3、InceptionResNetV2和SqueezeNet的预处理CNN模型。对于每一个模型，从第3节指定的层中提取深层特征。然后使用SVM、ELM和KNN方法计算这些特征的性能。这些实验研究的准确性评分如表5所示。此外，根据计算出的平均精度分值及其标准差，对这些精度分值进行评价

 如表5所示，利用SVM、ELM和KNN方法对GoogleNet、ResNet50、ResNet101、InceptionV3、InceptionResNetV2和SqueezeNet模型的特定层获得的深层特征进行性能测试。其中，ResNet50模型和SVM分类器的准确率最高，达到97.86%。该模型的混淆矩阵如表6所示。采用SVM方法进行分类时，GoogleNet模型准确率最高，为95.22%，InceptionV3模型准确率最高，为94.96%，SqueezeNet模型准确率最高，为95.62%。使用ELM分类器，ResNet101模型的最高准确率为97.34%，InceptionResNetV2模型的最高准确率为95.35%

        每个深度模型的执行时间如表5所示。结果表明，在三种模型中，SqueezeNet (1 min, 3 s)的训练时间最低，而InceptionResNetV2 (28 min, 13 s)的训练时间最高。GoogleNet模型(1 min, 41 s)略慢于SqueezeNet模型(1 min, 3 s);ResNet101模型(4分钟，11秒)的速度几乎是表6的两倍。基于ResNet50模型和SVM分类器的混淆矩阵(图例:1。欧文氏菌amylovora;2. 黄arboricola;3.核桃叶螨;4. 杏念珠菌属laxa;5. Coryneum beijerinckii;6. 樱桃myzus cerasi;7. 桃子sphaerolecanium prunastri;8. 桃子念珠菌属laxa)

         ResNet50模型(2 min, 21 s)训练时间;InceptionV3模型(9 min, 29 s)比ResNet50模型(2 min, 21 s)慢4倍。此外，表7给出了与这些实验研究相关的敏感性、特异性和f1评分的性能度量

         在本研究中，所使用的数据集是异构的。据此，计算每个类别的准确性、敏感性、特异性和f1评分的性能度量，使用ResNet50模型和SVM分类器得到的结果如图4所示。

 4.3. Results based on transfer learning with deep learning models

        在本节中，我们使用来自预先训练的CNN网络的深度学习模型进行基于迁移学习的微调。迁移学习参数选择批大小为10，最大历元数为7，初始学习率为0.0004。此外，采用带动量的随机梯度下降(SGDM)学习方法对深度网络进行训练。经过1250次迭代后，培训程序结束。这些实验研究的准确性得分如表8所示，这些得分是根据计算出的平均准确性得分及其标准差来评估的

         如表8所示，VGG16模型准确率最高，为96.92%，InceptionResNetV2模型准确率最低，为89.23%。ResNet101模型的准确率位居第二，为96.41%;GoogleNet和ResNet50模型的准确率位居第三，为95.38%。另外，表8显示了所使用的深度模型的执行时间。根据这些结果,AlexNet最快的执行时间(5分钟,48 s)在三种模型中,当InceptionResNetV2最慢的执行时间(1 h, 51分钟,21岁)。相比之下,SqueezeNet模型有一个更快的执行时间(8分钟,33秒)比GoogleNet(11分钟,30年代)和VGG16(15分钟,26 s)模型。此外,ResNet50模型(20分钟,49 s)几乎是两倍快VGG19模型(42分钟,53)在执行时间,和三分之一比ResNet101模型(31分钟,30年代)。此外,绩效指标的敏感性,特异性,F1-score Table9与这些实验研究。

 4.4. Results based on traditional methods

        本节主要介绍了传统的LBP、HOG、GLCM和颜色特征等在植物病害检测系统中广泛应用的方法。这些方法直接从图像中提取特征，不需要进行分割操作。使用SVM、ELM和KNN方法计算从这些方法获得的性能。与这些研究相关的准确性评分在表10中给出

        从表10中可以看出，使用SVM分类器获得的最佳性能是LBP方法70.9%，HOG方法56.8%，颜色特征45.3%，GLCM方法45.2%。

 4.5. Discussion and comparison of simulation results

        本研究采用预先训练的CNN模型，以获得最佳的植物病害检测性能。我们基于AlexNet、VGG16、VGG19、GoogleNet、ResNet50、ResNet101、InceptionV3、InceptionResNetV2和SqueezeNet深度模型评估迁移学习和深度特征提取的性能结果。此外，本文还应用了传统的LBP、HOG、颜色特征和GLCM等目标识别方法，并对其精度评分进行了评价

         首先，我们利用AlexNet、VGG16和VGG19模型进行基于深度特征提取的特征提取。对于每一个模型，我们分别从fc6、fc7和fc8这三个完全连接的层中提取特征。使用SVM、ELM和KNN分类器计算得到的深度特征的性能。结果表明，利用从fc6层提取的深层特征，这三种模型的性能最佳。对于AlexNet模型，利用fc6的特征，SVM分类准确率最高，为95.5%，KNN分类准确率最低，为89.41%。对于VGG16模型，采用fc6特征的SVM分类准确率最高，为95.0%;采用KNN特征的分类准确率最低，为88.55%。对于VGG19模型，采用fc6特征的ELM分类准确率最高为94.74%，采用KNN分类准确率最低为88.01%。因此，从AlexNet、VGG16和VGG19模型中提取的特征比从fc7和fc8模型中提取的特征准确率更高。此外，SVM和ELM方法都比KNN分类器取得了更好的结果。

        接下来，我们使用GoogleNet、ResNet50、ResNet101、InceptionV3、InceptionResNetV2和SqueezeNet深度学习模型从特定的层中提取特征。使用SVM、ELM和KNN分类器计算得到的深度特征的性能。结果表明，使用SVM的GoogleNet模型分类准确率最高为95.22%，使用KNN的分类准确率最低为89.16%。对于ResNet50模型，SVM分类准确率最高为97.86%，KNN分类准确率最低为90.48%。ResNet101模型中，ELM分类准确率最高为97.45%，KNN分类准确率最低为91.2%。对于InceptionV3模型，SVM分类准确率最高为94.96%，KNN分类准确率最低为88.65%。对于InceptionResNetV2模型，ELM分类准确率最高为95.2%，KNN分类准确率最低为88.8%。对于SqueezeNet模型，ELM分类准确率最高，为95.62%，KNN分类准确率最低，为87.02%。使用SVM分类器的GoogleNet、ResNet50、InceptionV3和SqueezeNet模型获得了最佳性能，使用ELM分类器的ResNet101和InceptionResNetV2模型获得了最佳性能。此外，KNN分类器在所有模型中获得了最差的性能。

        然后，我们使用预处理的CNN网络进行基于迁移学习的微调。根据这些性能结果，在深度模型中，VGG16模型的精度最高，其次是ResNet101模型。GoogleNet模型的准确率与ResNet50模型相当。此外，VGG19模型的精度评分优于InceptionV3、InceptionResNetV2和SqueezeNet模型。

        最后，使用LBP、HOG、GLCM和颜色特征的传统方法，并使用SVM、ELM和KNN分类器计算得到的特征值的性能。结果表明，在4种方法中，LBP方法和SVM分类器的分类精度最高，为70.9%。此外，四种方法中SVM分类器的性能最好，KNN分类器的性能最差。基于深度特征提取、迁移学习和传统方法的准确率得分对比如图5所示。

         如图5所示，ResNet50模型和SVM分类器的准确率最高，为97.86%，而ResNet101模型和SVM分类器的准确率次之，为97.45%。基于迁移学习的VGG16模型的最佳准确率为96.92%。此外，与深度学习模型相比，传统方法的性能水平非常差。传统方法中，LBP方法和SVM分类器准确率最高，为70.9%。基于深度特征提取和基于深度模型迁移学习的准确率得分如下:

•ResNet50 feature和SVM分类器比基于迁移学习的微调ResNet50模型有更好的准确率得分。ResNet101的特征和ELM分类器比微调的ResNet101模型有更好的准确率。与经过微调的SqueezeNet模型相比，SqueezeNet特征和SVM分类器的准确率更高。AlexNet特征和SVM分类器比微调AlexNet模型的准确率更高。InceptionResNetV2特征和ELM分类器比微调后的InceptionResNetV2模型有更好的准确率得分。与改进后的InceptionV3模型相比，InceptionV3特征和SVM分类器的准确率更高。

•微调后的VGG16模型比VGG16 feature和SVM分类器有更好的准确率得分。经过微调的GoogleNet模型比GoogleNet特征和SVM分类器的准确率更高。与VGG19特征分类器和SVM分类器相比，优化后的VGG19模型准确率更高

        评价结果表明，深度特征提取和SVM/ELM分类器的分类精度高于迁移学习网络。此外，每个利用的深度模型都有独特的特征，如层数、连接数和过滤器类型。因此，性能结果各不相同。例如，ResNet50模型比InceptionResNetV2有更少的层和连接，但它的性能更高

        在本研究中，我们计算了基于深度学习模型的深度特征提取和迁移学习的执行时间，如表5和表8所示。结果表明，与迁移学习相比，深度特征提取的训练时间要短得多。例如，AlexNet的深度特征提取在训练时间上几乎比微调的AlexNet低10倍，而基于ResNet50的深度特征提取几乎比微调的ResNet50低5倍。此外，由于测试数据较少，迁移学习和基于深度模型的深度特征提取的测试时间多为10-30秒，因此不需要单独的表。因此，虽然提出的基于深度特征提取的架构比迁移学习的训练次数更少，但具有更高的准确率。

5. Conclusion

        本文比较了深度特征提取和迁移学习在植物病虫害检测中的性能结果。本研究使用九种强大的深度神经网络架构进行深度特征提取和迁移学习。首先，我们提取这些深度模型的全连接层的深度特征。利用SVM、ELM和KNN分类器对得到的深度特征进行性能计算。然后根据植物病虫害图像对这些深度模型进行微调。最后，我们比较了深度学习模型与传统方法的性能结果。评价结果表明，与传统方法相比，深度学习模型具有更好的效果。深度特征提取的结果优于迁移学习结果。在基于深度特征提取和分类器方法的研究中，AlexNet模型的fc6层、VGG16和VGG19模型相比其他层获得了更好的准确率得分。结果表明，使用ResNet50模型和SVM分类器得到的最高水平精度得分为97.86%。此外，基于深度学习模型的深度特征提取和迁移学习的计算执行时间以及提出的基于深度特征提取的架构比基于迁移学习的模型计算复杂度更低。

        在未来的工作中，我们计划使用区域图像和改进的CNN模型来提高分类性能。此外，我们将收集不同疾病的图像，以丰富数据库。后续研究的主要目标是开发能够检测各种植物病害的智能移动设备应用程序。这一应用将提供视觉检测的植物疾病自动诊断，对那些对所种植的植物知之甚少或一无所知的用户大有裨益。