arXiv preprint 2026-10-15·10月15日 · 周四论文农业人工智能与决策模型阅读 3
Detection of Potato Plant Leaf Diseases using Convolutional Neural Networks
论文解读
71接近精选线
速览
提出轻量CNN实现马铃薯早疫病与晚疫病三分类，并在埃塞俄比亚田间验证。
方法
轻量卷积神经网络，PlantVillage 2215张训练，Banja镇247张
发现
测试集准确率98.66%，独立田间测试降至90.28%，模型仅1.70MB。
机会点
可研究跨地区/多作物泛化、田间复杂背景鲁棒性及边缘设备实时部署优化。
影响力15
信息增量20
专业深度17
信源权威9
时效性10
预印本提出仅1.7MB的轻量CNN实现马铃薯早疫病、晚疫病识别，含独立田间验证，方法扎实但尚未审稿、泛化性待验证，属细分领域技术进展。
原文摘要
Haimanot Bitew Alemayehu、Simachew Melaku Ayalew、Chilotie Desalew Mengesha、Ayisheshim Almaw Bogale、Anteneh Birhan Yenew、Abrham Tegegne Bogale在arXiv 2026-10-15上传的预印本,面向埃塞俄比亚粮食安全作物马铃薯,提出可部署于边缘设备的轻量卷积神经网络,完成健康、早疫病、晚疫病三类分类。模型在PlantVillage(2,215张图像)训练,测试准确率98.66%;在埃塞俄比亚Banja镇田间独立采集的247张图像测试中准确率为90.28%,体现独立田间验证相较受控基准更接近真实部署条件。模型仅含446,787个可训练参数、约1.70MB,训练周期较VGG16和MobileNetV2更短。【预印本未审稿;仅在埃塞俄比亚一地进行田间验证,跨地区泛化能力未测】
信源（1 个）