基于CNN/LR/GA-BP的辣椒叶病识别稳定性与精度多维度视觉特征比较

方法

1260份辣椒叶图像，Lab/RGB/Otsu-ACWE分割，32特征经随机森林

发现

CNN平均精度97.67%、AUC 0.999且最稳定；LR成本低适合资源受限；GA-BP波动严重。

机会点

可探索轻量化CNN与LR融合的田间实时识别方案，并验证多作物、多病害下的泛化稳定性。

塔里木大学Xueting Ma、Yifei Li等联合东北林业大学、南京农业大学，构建1260份辣椒叶数据集（健康、细菌性斑点病、黄化卷叶病），采用Lab b-channel、RGB super-green、Otsu-ACWE三种分割算法系统评估最优预处理方案，提取32个融合视觉特征并以随机森林消除7个低贡献冗余特征保留25个判别变量。20次独立重复试验表明：CNN测试平均精度97.67%、平均AUC 0.999，稳定性最佳；LR计算成本低适合资源受限场景；GA-BP非线性拟合能力弱、预测波动严重。该研究为辣椒叶病识别提供标准化实验框架。