基于CNN的甘蔗叶片病害识别系统设计与优化

1. 项目背景与核心价值

甘蔗作为全球重要的经济作物，其叶片病害直接影响产量和品质。传统病害识别依赖农技人员肉眼观察，效率低且主观性强。我在广西某甘蔗种植基地实习期间，亲眼目睹农户因未能及时发现褐斑病导致30亩甘蔗减产40%的案例，这促使我选择该课题作为毕业设计。

卷积神经网络(CNN)在图像分类领域的突破性进展，为农业病害识别提供了新思路。相比传统机器学习方法，CNN能自动提取叶片图像的深层特征，克服了人工设计特征的主观局限。本项目采用Python实现，因其丰富的深度学习生态（如TensorFlow/PyTorch）和便捷的图像处理库（OpenCV/PIL），特别适合学生进行算法验证和快速迭代。

2. 数据集构建与预处理

2.1 数据采集方案设计

在广西农科院合作基地，使用华为Mate40 Pro手机（5000万像素主摄）采集了5类样本：

• 健康叶片（800张）
• 褐斑病（650张）
• 锈病（600张）
• 赤腐病（550张）
• 黑穗病（500张）

拍摄时注意：

1. 保持叶片平铺，避免褶皱阴影
2. 采用白色KT板作为背景
3. 光照条件：上午9-11点自然光
4. 拍摄距离固定为30cm

2.2 数据增强策略

针对农业图像特点，采用组合增强：

python复制train_transforms = transforms.Compose([
    transforms.RandomRotation(15),  # 旋转补偿拍摄角度偏差
    transforms.RandomHorizontalFlip(),
    transforms.ColorJitter(brightness=0.2, contrast=0.2),  # 模拟光照变化
    transforms.RandomResizedCrop(224, scale=(0.8, 1.0)),
    transforms.ToTensor(),
    transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225])
])

特别注意：避免过度使用高斯噪声和模糊增强，实测会降低农业图像的病害特征区分度

3. 模型架构设计与优化

3.1 改进的ResNet34模型

基于经典ResNet34进行三处改进：

1. 输入层调整：将原7x7卷积改为3个3x3卷积堆叠，保留感受野同时减少参数

python复制self.conv1 = nn.Sequential(
    nn.Conv2d(3, 64, kernel_size=3, stride=2, padding=1),
    nn.BatchNorm2d(64),
    nn.ReLU(),
    nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1),
    nn.BatchNorm2d(64),
    nn.ReLU(),
    nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1),
    nn.BatchNorm2d(64),
    nn.ReLU()
)

2. 引入SE注意力模块：在残差块后添加通道注意力
3. 输出层改进：使用Label Smoothing CrossEntropy缓解类别不平衡

3.2 训练技巧

• 采用渐进式学习率：初始0.01，每10epoch衰减0.1
• 早停机制：验证集loss连续5轮不下降终止训练
• 混合精度训练：节省显存同时加速20%

4. 部署与性能优化

4.1 移动端部署方案

使用TensorFlow Lite转换模型：

bash复制tflite_convert \
  --saved_model_dir=saved_model \
  --output_file=model_quant.tflite \
  --quantize_weights=float16

在树莓派4B上测试结果：

4.2 实际测试中的挑战

1. 叶片重叠问题：开发基于OpenCV的GrabCut分割预处理
2. 光照影响：添加自动白平衡算法
3. 模型漂移现象：每月增量更新5%的新样本

5. 完整实现代码结构

code复制├── data
│   ├── raw_images          # 原始图像
│   ├── augmented           # 增强后图像
│   └── train_val_split.py  # 数据集划分
├── models
│   ├── resnet_mod.py       # 改进模型
│   └── train.py            # 训练脚本
├── utils
│   ├── preprocess.py       # 预处理
│   └── visualize.py        # 可视化
└── app
    ├── mobile_app          # 安卓应用
    └── web_demo            # Flask网页端

关键技巧：使用PyTorch Lightning重构训练代码后，实验迭代效率提升3倍，建议学生必学这个框架

我在最终答辩时，模型在独立测试集上达到94.3%的准确率，比传统SVM方法提升27%。这个项目让我深刻体会到：农业AI落地必须考虑实际场景限制，比如农民使用的千元机性能、田间不稳定的网络环境等，这些在实验室里容易被忽略的因素往往决定项目成败。