用于马铃薯叶片病害预测的端到端深度学习框架（完整代码）

摘要

农业生产力在全球经济发展和增长中起着至关重要的作用。当农作物受到疾病影响时，它会对一个

国家的经济资源和农业产出产生不利影响。及早发现作物病害可以最大限度地减少农民的损失并提

高产量。在这项研究中，提出了一种新的深度学习模型，旨在自动预测马铃薯叶部病害。框架包括

图像采集、预处理、分割、特征提取和融合以及分类。为了训练和评估模型，我们利用公共马铃薯

叶数据集：早疫病、晚疫病和健康叶片。利用分割和融合特征的优势，该方法实现了98.66%的总

体准确率和96.33%的得分。使用 数据集进行了全面的验证研究，分别实现了 96.42% 和 94.25%

的令人印象深刻的准确率。这些实验结果证实，所提出的混合框架提供了更有效、更准确的马铃薯

作物病害检测和预测，使其成为具有实际应用前景的候选者。

原理和方法

一种预测马铃薯叶片病害的端到端方法，包括两个主要的连续阶段：分割和分类

数据集

数据集包括健康叶和病叶，旨在开发能够准确识别植物物种和检测疾病的机器学习模型。我们的研究主要集中在马铃薯叶部病害上，并结合人工智能技术进行多分类预测。内部专家注释员提供了分割标签（掩码）来表示叶子上的疾病边界，以及不同疾病（类别）的分类标签。所提框架的实验研究采用随机划分的数据集，其中70%用于训练，30%用于测试。

预处理

图像预处理技术用于有效地格式化图像以训练机器学习模型。这些技术提高了图像质量，并帮助AI模型优化了其可训练参数。为了解决疾病分类中固有的可变性，在进行任何分割之前，将对所有图像应用预处理步骤。这包括强度归一化、调整大小和注释（用于分割和分类任务），以提高疾病预测性能。归一化将像素值调整到 [0， 255] 的固定范围，确保公平的参数训练和整体预测性能。

自动分割马铃薯叶片图像