★ FEATURED ARTICLE 简介这份资源是面向深度学习与人工智能方向的课程设计、毕业设计参考项目聚焦农作物病害图像识别这一计算机视觉典型应用。项目围绕卷积神经网络等模型对小麦、水稻、玉米、番茄、棉花、大豆、油菜等作物的病害样本进行训练与分类帮助学习者理解从数据采集、模型训练到验证测试的完整流程并掌握图像处理与模式识别相关知识。压缩包共455个文件约119.76MB包含93个Java源码、118个XML配置、95张PNG与6张JPG图像样本、76个CSV数据集以及38个SO库、12个JAR依赖和Gradle构建脚本兼顾算法实现、数据组织与工程构建。已有76人学习下载适合需要完整项目结构、可运行代码与数据集来开展课题实践的学生参考。1. 农作物病害识别为什么总在田间翻车从一张玉米叶片的误判说起你拿手机对着玉米叶片拍一张照模型信心满满地告诉你这是「健康」可三天后那块地全染了病。这不是段子是很多农作物病害识别项目上线后的真实写照。基于深度学习的农作物病害识别核心就是用卷积神经网络对叶片图像做分类或检测输出病害类别和置信度。它要解决的是植保环节里「人眼看不准、专家不够用、巡田来不及」的问题适合想把手里的图像分类技术落到农业场景的开发者、做智慧农业方案的工程师以及需要快速筛查病害的种植管理者。但实验室里 99% 的准确率到了田间往往掉到 70% 以下原因不在模型本身而在数据、光照、背景和采集方式。这一篇就顺着这个 zip 标题背后的技术链路把选型、训练、部署和踩坑一次讲透。2. 数据集怎么选怎么洗别让背景抢了叶片的戏农作物病害识别的第一道坎不是模型是数据。公开数据集里最常见的是 PlantVillage 这类实验室条件下拍摄的叶片图背景干净、光照均匀、单片叶子居中。拿它训练出来的模型在田间复杂背景下几乎必然翻车。所以选数据集时第一件事是判断它的采集条件和你实际要部署的场景是否一致。2.1 公开数据集与自采数据的取舍常见做法是先用公开数据集做预训练或基线验证再用自采数据做微调。公开数据集类别全、标注规范适合快速跑通流程自采数据贴近真实场景但标注成本高。我一般会按 7:3 的比例混合公开数据占大头做特征学习自采数据做场景适配。如果自采数据能到每类 300 张以上可以逐步提高自采比例。数据来源优点缺点建议用途公开实验室数据集标注规范、类别全背景单一、光照理想预训练、基线对比田间自采数据贴近真实场景标注贵、类别不均微调、验证网络爬取图像数量大噪声高、版权风险仅作补充需人工清洗2.2 用脚本做数据清洗与增强拿到原始图像后先做去重、去模糊、去非叶片图。下面这段 Python 脚本做三件事计算图像清晰度拉普拉斯方差、检查尺寸一致性、按类别统计数量。import cv2 import os import numpy as np from collections import defaultdict def check_quality(img_path, blur_threshold100): 返回图像是否清晰、尺寸是否合规 img cv2.imread(img_path) if img is None: return False, read_fail, None gray cv2.cvtColor(img, cv2.COLOR_BGR2GRAY) # 拉普拉斯方差越小越模糊 blur_score cv2.Laplacian(gray, cv2.CV_64F).var() h, w img.shape[:2] if blur_score blur_threshold: return False, blur, blur_score if h 224 or w 224: return False, too_small, (h, w) return True, ok, blur_score def scan_dataset(root_dir): stats defaultdict(int) bad_files [] for cls in os.listdir(root_dir): cls_dir os.path.join(root_dir, cls) if not os.path.isdir(cls_dir): continue for fname in os.listdir(cls_dir): fpath os.path.join(cls_dir, fname) ok, reason, info check_quality(fpath) if ok: stats[cls] 1 else: bad_files.append((fpath, reason, info)) return stats, bad_files if __name__ __main__: stats, bad scan_dataset(./data/raw) for cls, cnt in stats.items(): print(f{cls}: {cnt} 张可用) print(f异常文件 {len(bad)} 个)这段脚本的关键参数是blur_threshold默认 100 适合大多数叶片图如果图像普遍偏暗或纹理少可以降到 60。scan_dataset返回的bad_files里记录了每张图被剔除的原因方便回溯。清洗完之后增强策略要克制随机旋转、水平翻转、亮度微调可以但不要用大幅裁剪和强色彩抖动否则会把病斑特征破坏掉。2.3 类别不平衡的处理顺序田间数据往往健康叶片多、病害叶片少。处理顺序建议是先统计每类数量差距在 3 倍以内的用加权损失差距超过 5 倍的再考虑过采样或合成。不要一上来就 SMOTE图像合成容易产生不真实的病斑纹理反而干扰训练。3. 模型选型与训练轻量骨干网络比大模型更实用在田间部署场景里模型不是越大越好。你最终要跑在手机、边缘盒子或者无人机上推理速度和内存占用是硬约束。所以选型的第一原则是在满足精度要求的前提下参数量和计算量越小越好。3.1 骨干网络对比与选择依据常见的选择有 MobileNetV3、EfficientNet-Lite、ShuffleNetV2 和 ResNet50。前三个是轻量级ResNet50 精度高但太重。我一般先用 MobileNetV3-Small 跑基线如果精度不够再换 MobileNetV3-Large 或 EfficientNet-Lite-B0。骨干网络参数量适合场景注意事项MobileNetV3-Small约 2.5M手机端、实时精度上限有限MobileNetV3-Large约 5.4M边缘设备速度与精度平衡EfficientNet-Lite-B0约 4.7M边缘设备输入分辨率敏感ResNet50约 25M服务器端不适合端侧3.2 用迁移学习跑通训练流程下面这段代码用 PyTorch 加载预训练的 MobileNetV3替换分类头冻结骨干前几层做微调。输入尺寸设为 224批次 32初始学习率 1e-3。import torch import torch.nn as nn from torchvision import models, transforms from torch.utils.data import DataLoader from torchvision.datasets import ImageFolder # 数据增强训练集用轻度增强验证集只做归一化 train_tf transforms.Compose([ transforms.Resize((224, 224)), transforms.RandomHorizontalFlip(), transforms.RandomRotation(15), transforms.ColorJitter(brightness0.2, contrast0.2), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) val_tf transforms.Compose([ transforms.Resize((224, 224)), transforms.ToTensor(), transforms.Normalize([0.485, 0.456, 0.406], [0.229, 0.224, 0.225]) ]) train_ds ImageFolder(./data/train, transformtrain_tf) val_ds ImageFolder(./data/val, transformval_tf) train_loader DataLoader(train_ds, batch_size32, shuffleTrue, num_workers4) val_loader DataLoader(val_ds, batch_size32, shuffleFalse, num_workers4) # 加载预训练模型替换最后一层 model models.mobilenet_v3_small(pretrainedTrue) num_classes len(train_ds.classes) model.classifier[3] nn.Linear(model.classifier[3].in_features, num_classes) # 冻结特征提取部分的前几层 for name, param in model.features.named_parameters(): if int(name.split(.)[0]) 4: param.requires_grad False device torch.device(cuda if torch.cuda.is_available() else cpu) model model.to(device) criterion nn.CrossEntropyLoss() optimizer torch.optim.Adam(filter(lambda p: p.requires_grad, model.parameters()), lr1e-3) for epoch in range(20): model.train() for imgs, labels in train_loader: imgs, labels imgs.to(device), labels.to(device) optimizer.zero_grad() loss criterion(model(imgs), labels) loss.backward() optimizer.step() # 验证阶段 model.eval() correct, total 0, 0 with torch.no_grad(): for imgs, labels in val_loader: imgs, labels imgs.to(device), labels.to(device) preds model(imgs).argmax(dim1) correct (preds labels).sum().item() total labels.size(0) print(fEpoch {epoch1}, Val Acc: {correct/total:.4f})冻结层数int(name.split(.)[0]) 4表示冻结 features 模块前 4 个 block这个数字可以根据数据量调整数据少就多冻数据多就少冻。学习率 1e-3 适合微调如果 loss 震荡明显降到 3e-4。批次 32 在显存 8G 以内都能跑显存不够就降到 16。3.3 训练过程中该盯哪些指标不要只看准确率。类别不平衡时准确率会被多数类拉高。重点看每类的召回率和 F1尤其是病害类的召回率——漏判一个病叶的代价远大于误判。如果某个病害类召回率低于 0.8优先补该类数据或调高它的损失权重。4. 部署到端侧模型转换与推理速度优化训练完的模型不能直接扔到手机上。PyTorch 模型动辄几十兆推理也慢。端侧部署的标准路径是PyTorch → ONNX → 目标框架如 NCNN、TFLite、MNN。这一步的坑比训练还多。4.1 导出 ONNX 并检查算子兼容性import torch from model_def import build_model # 假设模型定义在单独文件 model build_model(num_classes10) model.load_state_dict(torch.load(best.pth, map_locationcpu)) model.eval() dummy torch.randn(1, 3, 224, 224) torch.onnx.export( model, dummy, crop_disease.onnx, input_names[input], output_names[output], opset_version11, # 11 兼容性最好 dynamic_axes{input: {0: batch}, output: {0: batch}} )opset_version11是端侧框架支持最广的版本不要盲目用 13 或 17。dynamic_axes让模型支持变批次但有些端侧框架对动态维度支持不好如果只做单张推理可以去掉这个参数。4.2 量化与推理速度实测导出 ONNX 后用 ONNX Runtime 做一次量化前后的速度对比。量化能把模型体积压到原来的四分之一推理速度提升 2 到 3 倍精度损失通常在 1% 以内。import onnxruntime as ort import numpy as np import time # 量化前的推理 sess ort.InferenceSession(crop_disease.onnx) input_name sess.get_inputs()[0].name dummy np.random.randn(1, 3, 224, 224).astype(np.float32) start time.time() for _ in range(100): sess.run(None, {input_name: dummy}) print(fFP32 平均耗时: {(time.time()-start)/100*1000:.2f} ms) # 量化后的推理需先用 onnxruntime.quantization 生成量化模型 sess_q ort.InferenceSession(crop_disease_quant.onnx) start time.time() for _ in range(100): sess_q.run(None, {input_name: dummy}) print(fINT8 平均耗时: {(time.time()-start)/100*1000:.2f} ms)实测时注意第一次推理会包含初始化时间要跳过前几次取平均。如果 INT8 量化后精度掉超过 3%改用动态量化而不是静态量化或者只量化部分层。5. 避坑与排查田间识别翻车的五个血泪教训这一章是我自己踩过的坑每条都按「现象 → 原因 → 解决」写你对照着排查能省不少时间。5.1 模型在实验室准、到田间全乱现象验证集准确率 95%拿到田间拍的照片识别率不到 60%。原因训练数据背景太干净模型学到了「背景特征」而不是「病斑特征」。解决在训练集里混入至少 30% 的田间背景图或者用随机背景替换做增强逼模型关注叶片本身。5.2 同一张叶片换个角度就识别错现象正面拍能识别斜着拍就错。原因训练时叶片都是居中的模型对旋转和透视变化不鲁棒。解决增强里加随机旋转±30 度和轻微透视变换但不要用 90 度翻转那会改变病斑的生物学形态。5.3 推理速度在手机上慢到不可用现象模型在 PC 上跑 20ms到手机上要 500ms。原因用了 ResNet50 或者没做量化手机 CPU 扛不住。解决换 MobileNetV3-Small导出 ONNX 后做 INT8 量化输入分辨率从 224 降到 192 也能提速 30%。5.4 某些病害类别永远识别不出来现象某一种病害的召回率始终为 0。原因该类样本太少被多数类淹没了。解决先确认该类至少有 100 张图然后调高它的损失权重或者用 focal loss 替代交叉熵。5.5 模型文件在端侧加载失败现象ONNX 转 NCNN 后加载报错。原因ONNX 里用了 NCNN 不支持的算子比如某些自定义激活函数。解决导出时用 opset 11避免用高级算子如果必须用在转换后用工具检查算子列表手动替换不支持的层。6. 把识别准确率再提一截一个被低估的技巧前面讲的都是标准流程最后说一个我实际用下来提升最明显的技巧在推理阶段做多尺度测试增强。简单说就是把同一张叶片图缩放到 192、224、256 三个尺寸分别推理然后把三个 softmax 输出平均取最大概率的类别。这个操作不需要重新训练推理耗时增加约 2 倍但在田间复杂背景下准确率通常能提升 3 到 5 个百分点。import cv2 import numpy as np import onnxruntime as ort def multi_scale_infer(sess, img_path, scales(192, 224, 256)): input_name sess.get_inputs()[0].name img cv2.imread(img_path) img cv2.cvtColor(img, cv2.COLOR_BGR2RGB) probs [] for s in scales: resized cv2.resize(img, (s, s)).astype(np.float32) / 255.0 mean np.array([0.485, 0.456, 0.406]) std np.array([0.229, 0.224, 0.225]) resized (resized - mean) / std tensor resized.transpose(2, 0, 1)[None, ...].astype(np.float32) out sess.run(None, {input_name: tensor})[0] probs.append(out) avg_prob np.mean(probs, axis0) return avg_prob.argmax(), avg_prob.max() sess ort.InferenceSession(crop_disease_quant.onnx) cls, conf multi_scale_infer(sess, test_leaf.jpg) print(f类别: {cls}, 置信度: {conf:.4f})注意多尺度增强对已经过拟合的模型提升有限它主要解决的是「同一病害在不同拍摄距离下特征尺度不一致」的问题。如果你的验证集本身就是在固定距离拍的这个技巧收益不大。另外三个尺度的推理结果要平均 softmax 概率不要平均 logits后者容易被极端值带偏。我自己的习惯是每次模型上线前一定拿至少 50 张田间实拍图做一次端到端测试不看验证集指标只看实际识别结果。这个习惯帮我拦住了好几次「实验室满分、田间零分」的翻车。希望帮到你。本文还有配套的精品资源点击获取
阅读完成 · 觉得有帮助？
