MDPI Horticulturae 12(9):1176·9月19日 · 周六论文农业人工智能与决策模型阅读 0
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
论文解读
78精选
速览
比较CNN、LR、GA-BP对辣椒叶病的识别精度与稳定性，并评估三种分割预处理方案。
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。
影响力16
信息增量22
专业深度18
信源权威14
时效性8
基于1260份辣椒叶数据集系统比较CNN/LR/GA-BP三种模型，方法规范、结论可靠，对作物病害智能识别有参考价值。
原文摘要
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。