番茄叶病识别网络

平均识别精度99.63%

在ResNet18基础上引入压缩激励模块并重构分类器，显著提升了对番茄叶部病害的识别精度，为植物病害检测提供了更高效的深度学习方案。

倪建功 · Zhigang, Zhou · 赵一帆 · 韩仲志 · 赵龙刚

Plant Pathology 2023

参数信息

平均识别准确率（TomatoNet）

99.63 %

平均识别准确率提升（相对 ResNet18）

0.53 %

平均识别准确率（改进 AlexNet）

98.35 %

技术优势

不用专家也能准确识别

网络自动提取判别特征，普通人拍照就能得到 99.63% 的平均识别准确率，避免等待专家带来的延误和成本。

识别率比原版更高

加入 SE 注意力模块并修改分类器后，平均识别率比 ResNet18 提高了 0.53%，还超过了其他先进模型。

老模型也能大幅提分

同样的改进思路用在 AlexNet 上，把识别准确率从 88.97% 拉升到 98.35%，说明方法有通用性。

应用场景

• 植物病害智能检测：田间拍照即可自动诊断，减少对植保专家的依赖和延误。
• 番茄病害识别：专门针对番茄叶部病害训练，识别十类常见病害更准。
• 农作物病害图像分类：可以作为其他作物病害图像分类的骨干网络，迁移训练成本低。
• 基于图像的植物健康监测：为基于图像的植物健康监测提供高精度识别模块，支持持续监测。