PAGE\*ROMANPAGE\*ROMANI摘本課題首先通過對比主流網(wǎng)絡(luò)結(jié)構(gòu)，選擇R-344500模塊化架構(gòu)系統(tǒng)：前端基于ujs實現(xiàn)交互界面，后端通過Fask系統(tǒng)表明，系統(tǒng)測試集準(zhǔn)確率達(dá)95.2%，顯著優(yōu)于傳統(tǒng)方法。創(chuàng)新點包括：（1）CNN模型平衡精度與效率；（2）構(gòu)建并公開多類病蟲害數(shù)據(jù)集；（3）端到端關(guān)鍵詞：卷積神經(jīng)網(wǎng)絡(luò)；水稻病蟲害檢測；輕量化模型；圖像識Rice,asavitalglobalfoodcrop,playsacrucialroleinfoodsecurity,butfrequentdiseaseandpestoutbreaksseverelythreatenitsproduction.Traditionaldetectionmethodsrelyingonmanualexpertisesufferfrominefficiency,highcosts,andsubjectivity.ThisstudyproposesalightweightricediseaseandpestdetectionsystembasedonConvolutionalNeuralNetworks(CNN)toimprovedetectionefficiencyandpracticality.Bycomparingmainstreamnetworkarchitectures,ResNet-34wasselectedasthebaselinemodelandoptimizedthroughchannelreductionandattentionmechanismsforlightweightadaptation.Datapreprocessingemployedaugmentationtechniques(rotation,cropping,noiseaddition)andnormalization,constructingadatasetofover5,000imagescoveringsixdiseaseandpestcategories,withoversamplingaddressingclassimbalance.Thesystemadoptsamodulararchitecture:aVue.js-basedfrontendforuserinteractionandaFlask-deployedbackendformodelinference,optimizingprocessingspeed.Experimentalresultsdemonstrateatestsetaccuracyof95.2%,significantlyoutperformingtraditionalmethods.Fieldtrialsvalidateditspracticality,withauserinterfacefriendlinessscoreof4.7/5.Innovationsinclude:(1)alightweightCNNmodelbalancingaccuracyandefficiency;(2)apubliclysharedmulti-categorypestanddiseasedataset;(3)anend-to-endsystemautomatingtheentiredetectionworkflow.Futureworkmayextendthesystemtomulti-cropdetectionandintegrateTransformerarchitecturestoenhancerobustnessincomplexbackgrounds.Keywords:ConvolutionalNeuralNetwork(CNN)；RiceDiseaseandPestDetection；LightweightModel；ImageRecognition； 模型預(yù)測的準(zhǔn)確度與魯棒性測 參考文 PAGEPAGE1水稻是世界三大糧食作物之一，影響其生長環(huán)境的因素主要有溫濕度、土壤及水稻病蟲害等[1]。水稻是全球半數(shù)以上人口的主糧作物，年產(chǎn)量逾7.8噸，是糧食安全與農(nóng)業(yè)經(jīng)濟(jì)的核心支柱。然而水稻病蟲害對于水稻的生產(chǎn)和農(nóng)民的收益造成了嚴(yán)重的威脅。據(jù)統(tǒng)計，水稻病蟲害每年導(dǎo)致全球約20損失，對我國農(nóng)業(yè)生產(chǎn)和糧食安全構(gòu)成嚴(yán)重威脅，所以水稻病蟲害的早期監(jiān)測和科學(xué)防治至關(guān)重要[2]。傳統(tǒng)檢測方法（如人工目檢、實驗室分析或光譜技術(shù)）依賴主觀經(jīng)驗、耗時且成本高昂，難以滿足實時精準(zhǔn)防控需求。近年來，深度學(xué)習(xí)技術(shù)迅速發(fā)展，尤其是卷積神經(jīng)網(wǎng)絡(luò)（CNN）類任務(wù)中展現(xiàn)出顯著優(yōu)勢。CNN通過自動提取多層次特征，能夠高效識別復(fù)雜背景下的病蟲害形態(tài)差異，且具備高精度、實時性和低成本等特點。相較于傳CNN的檢測技術(shù)可顯著提升檢測效率，降低對專業(yè)經(jīng)驗的依賴，為田間大規(guī)模應(yīng)用提供可能[3-5]。本研究旨在開發(fā)一種輕量化CNN模型及端到端檢測系統(tǒng)，解決傳統(tǒng)方法的局限性，推動水稻病蟲害防控向智能化、自動化方向轉(zhuǎn)型。其實際價值包括：農(nóng)戶提供低門檻技術(shù)工具，助力智慧農(nóng)業(yè)發(fā)展。近年來，卷積神經(jīng)網(wǎng)絡(luò)（CNN）在圖像識別領(lǐng)域的應(yīng)用已從通用場景逐步滲透至農(nóng)業(yè)垂直領(lǐng)域。以AlexNet、VGG、ResNet為代表的經(jīng)典模型，通過多層卷積和池化操作，顯著提升了特征提取能力。在農(nóng)業(yè)場景中，CNN技術(shù)被廣泛應(yīng)用于作物病害分類、害蟲檢測及生長監(jiān)測等任務(wù)。例如：作物病害分類方Rahman等（2022）ResNet-50的遷移學(xué)習(xí)模型，在番茄病害分類任務(wù)中準(zhǔn)確率達(dá)98.3CNN對細(xì)微病害特征的捕捉能力[3]Li等人（2022）YOLOv5框架實現(xiàn)田間螟蟲實時定位，召回率達(dá)89.5%[4]，但模型參數(shù)量較大，難以在移動端部署；周雷等提出了一種基于改進(jìn)殘差網(wǎng)絡(luò)的水稻病蟲害識別方法，利用自然環(huán)境下的水稻葉片病蟲害數(shù)據(jù)集進(jìn)ResNet34基準(zhǔn)模型進(jìn)行訓(xùn)練，引入殘差連接的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)各類病害的檢測準(zhǔn)確率均97%以上，褐斑病的檢測準(zhǔn)確率達(dá)到99.113%[64種病害檢測中最高的；多模態(tài)數(shù)據(jù)融合方面，部分研究嘗試結(jié)合光譜數(shù)據(jù)與可見光圖像，通過多通道輸入提升檢測精度。盡管技術(shù)進(jìn)展顯著，現(xiàn)有研究仍面臨兩大挑戰(zhàn)：復(fù)雜背景干擾：田間圖像常包含雜草、土壤等干擾因素，導(dǎo)致模型誤檢率升高；跨場景泛化性不足：基于實驗室環(huán)境訓(xùn)練的模型在真實田間場景下性能顯著下降。針對水稻病蟲害檢測，現(xiàn)有研究主要集中于單一病害識別與輕量化模型設(shè)計：單一病害分類：Zhang等（2021）VGG16對稻瘟病葉片進(jìn)行分89.7%[5]，但未覆蓋其他常見病害；輕量化模型優(yōu)化：Rahman等（2022）提出兩階段CNN框架，通過通道剪枝和量化技術(shù)將模型體積壓縮至3MB，推理速度達(dá)0.15秒/圖，但犧牲了部分精度[3]（F1分?jǐn)?shù)下降4.2%）；數(shù)據(jù)集構(gòu)建：PlantVillage、AIChallenger等公開數(shù)據(jù)集提供了標(biāo)準(zhǔn)化病害圖像，但水稻病蟲害樣本仍存在類別不均衡、背景單一等問題[7。當(dāng)前研究存在以下局限性：多病害聯(lián)合檢測能力不足：多數(shù)模型僅支持單一病害分類，無法滿足田間復(fù)合型病蟲害的檢測需求；輕量化與精度的權(quán)衡困境：現(xiàn)有輕量化模型（MobileNet）速度快，但復(fù)雜病害（如紋枯病與褐斑病形態(tài)相似）的區(qū)分精度較低；數(shù)據(jù)稀缺性與多樣性缺失：水稻病蟲害公開數(shù)據(jù)集規(guī)模較小（<5,000張），且缺乏不同生育期、光照條件下的圖像。訓(xùn)練與優(yōu)化、系統(tǒng)的集成與應(yīng)用、性能的評估與驗證等。本研究旨在構(gòu)建一個輕量化、高精度的水稻病蟲害智能檢測系統(tǒng)，具體目標(biāo)包括：設(shè)計適用于多類病蟲害識別的CNN模型平衡計算效率與檢測精度構(gòu)建覆蓋稻瘟病，細(xì)菌性枯葉病，褐斑病，褐條矮縮病等典型病蟲害的高質(zhì)量圖像數(shù)據(jù)集；開發(fā)端到端的檢測系統(tǒng)，實現(xiàn)從圖像上傳到檢測結(jié)果的全流程自動化。提出一種輕量化CNN模型，測試集準(zhǔn)確率超過公開發(fā)布包含5000+張標(biāo)注圖像的水稻病蟲害數(shù)據(jù)集；開發(fā)可實際部署的檢測系統(tǒng)。PAGEPAGE4卷積神經(jīng)網(wǎng)絡(luò)（CNN）CNN卷積神經(jīng)網(wǎng)絡(luò)（CNN）是一種專為圖像數(shù)據(jù)設(shè)計的深度學(xué)習(xí)模型，其核心思想是通過局部感受野、權(quán)值共享與空間下采樣，高效提取圖像的層次化特征。典型CNN由卷積層、池化層和激活函數(shù)交替堆疊構(gòu)成[8-9]，具體結(jié)構(gòu)與計算流程如下：圖2-1卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)圖卷積層（Convolution卷積層通過卷積核（Filter）在輸入圖像上滑動，計算局部區(qū)域的加權(quán)和，生成特征圖（FeatureMap）。其數(shù)學(xué)表達(dá)式為： Fout(x,y)w(i,j)Fin(xi,yj)ikj式中，ω為卷積核權(quán)重矩陣，b，k

（2-假設(shè)輸入圖像尺寸為Hin×Win×Cin（高×寬×通道數(shù)），卷積核尺寸為×K（Stride）S（Padding）P，則輸出特征圖尺寸為： Hin2PK1， Win2PK

（2- 例如，輸入尺寸為2242243（RGB圖像）33卷積核（11），輸出尺寸保為224224×Cout（Cout為卷積核數(shù)量）。（PoolingLayer）池化層通過降維保留顯著特征，增強(qiáng)模型平移不變性。常用最大池化（MaxPooling）與平均池化（AveragePooling）。假設(shè)池化窗口尺寸為Kp×KpSp，無填充時輸出尺寸為： HinKp1，

WinKp

（2- Sp

Sp 例如，輸入尺寸為2242246422最大池化（2）出尺寸為11211264。激活函數(shù)（ActivationFunction）激活函數(shù)引入非線性，增強(qiáng)模型表達(dá)能力。常用ReLU（RectifiedLinearUnit）f(x)max(0,

（2-其優(yōu)勢包括緩解梯度消失、計算高效（僅閾值操作）。在深層網(wǎng)絡(luò)中，ReLU可配合批量歸一化（BatchNormalization）進(jìn)一步穩(wěn)定訓(xùn)練過程。層級堆疊與特征提取CNN通過交替堆疊上述層實現(xiàn)特征抽象：淺層：提取邊緣、紋理等低級特征（如病害斑點輪廓）；中層：組合低級特征形成復(fù)雜模式（如病斑形狀）；深層：捕獲高級語義信息（如病害類型判別）。例如ResNet-34首層卷積（772）將輸入尺寸從224224降至112112后通過殘差塊逐步提取特征，最終通過全局平均池化與全連接層輸出分類結(jié)果。CNNCNN在圖像分類領(lǐng)域取得了突破性進(jìn)展，一些典型應(yīng)用案例如下：AlexNet（2012年）：首次在ImageNet競賽中超越傳統(tǒng)方法，驗證了深度CNN的有效性；VGGNet：通過堆疊33小卷積核構(gòu)建深層網(wǎng)絡(luò)，提升特征提取能力；ResNet引入殘差連接（ResidualBlock）解決深層網(wǎng)絡(luò)梯度消失問題，支持超過百層的網(wǎng)絡(luò)訓(xùn)練；農(nóng)業(yè)場景中：作物病害分類（ResNet-50在番茄病害識別中準(zhǔn)確率達(dá)98%）；害蟲檢測（YOLO系列模型實現(xiàn)田間昆蟲的實時定位）[7。數(shù)據(jù)增強(qiáng)通過對原始圖像進(jìn)行幾何變換或噪聲添加，擴(kuò)充數(shù)據(jù)集規(guī)模并提升模型泛化能力。常用方法包括：幾何變換：隨機(jī)旋轉(zhuǎn)任意角度、水平/垂直翻轉(zhuǎn)、裁剪縮放（區(qū)域）；色彩擾動：調(diào)整亮度、對比度、飽和度模擬不同光照條件將圖像像素值標(biāo)準(zhǔn)化至固定范圍（[0,1]或[-1,1]），加速模型收斂。計算公式為：

I

(2-μ和σ分別為訓(xùn)練集的均值與標(biāo)準(zhǔn)差。將輸入圖像統(tǒng)一調(diào)整為固定尺寸（224224像素）CNN的輸入要求。常用插值算法包括雙線性插值（BilinearInterpolation）和最近鄰插值（NearestNeighbor）[10標(biāo)準(zhǔn)化：按通道歸一化（RGB三通道分別處理）；去噪濾波：使用中值濾波器消除孤立噪聲點；背景分割：通過閾值法或語義分割模型分離植株與復(fù)雜背景。ResNet：殘差結(jié)構(gòu)適合深層網(wǎng)絡(luò)訓(xùn)練，在ImageNetTop-5誤差低至VGG：結(jié)構(gòu)簡單但參數(shù)量大，適合高精度場景MobileNet：深度可分離卷積大幅減少計算量，適用于移動端部署。本研究選擇ResNet-34作為基礎(chǔ)模型，兼顧精度與效率，并通過剪枝和通道縮減實現(xiàn)輕量化。模型訓(xùn)練效果依賴于激活函數(shù)、損失函數(shù)與優(yōu)化器的合理配置。本研究基于水稻病蟲害檢測任務(wù)的特點與模型輕量化需求，對三者進(jìn)行如下設(shè)計：激活函數(shù)選擇激活函數(shù)為網(wǎng)絡(luò)引入非線性表達(dá)能力，直接影響特征提取的深度與效率。本模型采用以下激活策略：ReLU函數(shù)[12f(x)max(0x。ReLU能夠緩解深層網(wǎng)絡(luò)的梯度消失問題，且計算高效，適合處理高分辨率病蟲害圖像中的復(fù)雜特征。輸出層：采用Softmax函數(shù)，將最后一層全連接層的輸出映射為概率分布。例如，輸入病害分類層的特征向量經(jīng)Softmax計算后，輸出各類病蟲害的概率值，總和為1。相較于SigmoidTanh函數(shù)，ReLU在正區(qū)間的梯度恒為1，加速模型收斂；而Softmax的多分類特性與交叉熵?fù)p失天然適配確保輸出結(jié)果的可解釋性。損失函數(shù)設(shè)計損失函數(shù)衡量模型預(yù)測與真實標(biāo)簽的差異，指導(dǎo)參數(shù)優(yōu)化方向。針對水稻病蟲害的多分類任務(wù)，選擇加權(quán)交叉熵?fù)p失（WeightedCross-EntropyLoss）：1CLN1C

wc

log(pi,c

(2-i1其中N為樣本數(shù)量C為類別數(shù)，yi,c為樣本i的真實標(biāo)簽pi,c為預(yù)測概wc為類別權(quán)重。權(quán)重設(shè)置：根據(jù)訓(xùn)練集類別頻率反向分配權(quán)重（如罕見病害權(quán)重更高），緩解數(shù)據(jù)不平衡問題。例如，若某類病害樣本占比僅5%，其權(quán)重wc設(shè)為其他類別的3-5倍，迫使模型關(guān)注少數(shù)類特征。相較于均方誤差（MSE）交叉熵?fù)p失對概率分布差異更敏感，適合分類任務(wù)。優(yōu)化器配置優(yōu)化器通過梯度更新最小化損失函數(shù)，本研究采用AdamW優(yōu)化器，其核心優(yōu)勢包括：自適應(yīng)學(xué)習(xí)率：結(jié)合動量（Momentum）RMSProp思想，為不同參數(shù)分配動態(tài)學(xué)習(xí)率加速收斂權(quán)重衰減顯式約束參數(shù)范數(shù)（L2正則化），防止過擬合，提升模型泛化能力。參數(shù)設(shè)置：初始學(xué)習(xí)率設(shè)為10-3，采用余弦退火策略，每10個epoch將學(xué)習(xí)率降10-5，平衡收斂速度與穩(wěn)定性；批量大小設(shè)為32，兼顧GPU內(nèi)存效率與梯度更新平滑性權(quán)重衰減系數(shù)為10-4Dropout比率設(shè)為0.5（全連接層）。與標(biāo)準(zhǔn)Adam相比AdamW通過解耦權(quán)重衰減與參數(shù)更進(jìn)一步提升了訓(xùn)練穩(wěn)定性——Loshchilov&Hutter(2019)的研究表明，該配置在驗證集上損失收斂速度較SGD快2倍，且未出現(xiàn)顯著振蕩[13]。聯(lián)合優(yōu)化策略激活函數(shù)、損失函數(shù)與優(yōu)化器的協(xié)同設(shè)計是模型高效訓(xùn)練的關(guān)鍵。例如：ReLU的稀疏激活特性與AdamW的自適應(yīng)學(xué)習(xí)率結(jié)合，加速淺層特征提??；加權(quán)交叉熵?fù)p失通過類別權(quán)重調(diào)整，彌補(bǔ)了數(shù)據(jù)不平衡對Softmax輸出的影響；余弦退火策略避免學(xué)習(xí)率驟降導(dǎo)致的局部最優(yōu)陷阱，配合早停法進(jìn)一步提升泛化性。超參數(shù)的合理配置是模型高效訓(xùn)練與泛化性能的關(guān)鍵。本研究基于水稻病蟲害數(shù)據(jù)特點與輕量化模型需求，通過系統(tǒng)驗證與理論分析，確定以下核心超參數(shù)組合。學(xué)習(xí)率調(diào)度策略學(xué)習(xí)率（LearningRate）控制參數(shù)更新的步長直接影響模型收斂速度與穩(wěn)定性。本研究采用余弦退火（CosineAnnealing）策略，其學(xué)習(xí)率變化公式為：

1

cos(t)

(2-

min 其中，ηmax=10-3ηmin=110?5T=10為周期長度（epoch）。該策略在訓(xùn)練初期保持較高學(xué)習(xí)率以快速下降，后期逐步減小以精細(xì)調(diào)優(yōu)參數(shù)，避免陷入局部最優(yōu)。實驗表明，相較于固定學(xué)習(xí)率或階梯式衰減，余弦退火使驗證集損失收斂速度提升約20%。訓(xùn)練輪次與早停機(jī)制120輪，確保模型充分學(xué)習(xí)數(shù)據(jù)特征。早停法（EarlyStopping）：監(jiān)控驗證集損失，若連續(xù)10輪未下降，則終止訓(xùn)練并保留最佳模型參數(shù)。此機(jī)制有效防止過擬合，尤其在數(shù)據(jù)規(guī)模有限（5,328張圖像）的場景下，避免模型對訓(xùn)練數(shù)據(jù)的過度記憶。批量大?。˙atch批量大小影響梯度更新的方向與內(nèi)存占用。經(jīng)測試，當(dāng)批量大小設(shè)32時：內(nèi)存效率：在NVIDIARTX3090GPU（24GB顯存）中可完整加載批量數(shù)據(jù)。梯度穩(wěn)定性：小批量引入適度噪聲，提升模型泛化性；訓(xùn)練速度：單epoch耗時約3分鐘，總訓(xùn)練時間控制在6小時內(nèi)。正則化參數(shù)Dropout比率：在全連接層設(shè)為0.550%神經(jīng)元，強(qiáng)制模型學(xué)習(xí)冗余特征表達(dá)。權(quán)重衰減（WeightDecay）1e-4L2正則化約束參數(shù)范數(shù)，抑制過擬合。超參數(shù)優(yōu)化依據(jù)通過網(wǎng)格搜索（GridSearch）與交叉驗證確定最優(yōu)組合：學(xué)習(xí)率范圍：測試[10-3,10-4,10-5]10-3（收斂最快且穩(wěn)定）。批量大小：對比16、32、6432在速度與精度間達(dá)到最優(yōu)平衡。早停閾值：驗證連續(xù)5、10、15輪未下降的影響，10輪可兼顧訓(xùn)練充分性與效率。8:1:1劃分訓(xùn)練集、驗證集與測試集。BatchSize設(shè)為32，平衡內(nèi)存占用與梯度穩(wěn)定性。Dropout（0.5）L2權(quán)重衰減（10-4）過擬合。評估指標(biāo)：準(zhǔn)確率（Accuracy）：整體分類正確率；精確率（Precision）、召回率（Recall）、F1分?jǐn)?shù)：針對類別不平衡問題；混淆矩陣（ConfusionMatrix）：可視化各類別的分類結(jié)果。早停法（EarlyStopping）5輪未下降則終止訓(xùn)練，保留最佳模型參數(shù)。本系統(tǒng)采用模塊化設(shè)計理念，整體數(shù)據(jù)流如圖3-1所示，包含以下關(guān)鍵環(huán)節(jié)：3-1（1）用戶交互層：用戶通過前端界面上傳水稻病蟲害圖像，支持JPGPNG等常見格式；服務(wù)處理層：后端接收圖像后，調(diào)用數(shù)據(jù)預(yù)處理模塊進(jìn)行格式轉(zhuǎn)換、尺寸標(biāo)準(zhǔn)化及歸一化；模型推理層：預(yù)處理后的圖像輸入輕量化CNN模型，完成病蟲害類別預(yù)測與置信度計算；結(jié)果反饋層：檢測結(jié)果（病害類型、置信度、防治建議）通過前端界面可視化展示，同時支持歷史記錄查詢與導(dǎo)出。系統(tǒng)采用前后端分離架構(gòu)前端基于Vue.js框架實現(xiàn)響應(yīng)式交互后端通Flask搭建RESTfulAPI服務(wù)，二者通過HTTP協(xié)議通信。模型推理模塊通過ONNX格式部署，結(jié)合多線程技術(shù)優(yōu)化并發(fā)處理能力，確保高吞吐量與低延遲。首先用戶通過注冊登錄系統(tǒng)，然后進(jìn)入系統(tǒng)后，點擊病蟲害識別模塊，此模塊彈出后上面會顯示上傳圖片，此時我們將我們已有的水稻患有病蟲害的圖片進(jìn)行上傳，系統(tǒng)進(jìn)行識別分析，最后輸出我們上傳圖片的識別結(jié)果，結(jié)果會顯示水稻患有什么病、嚴(yán)重等級置信度等。本系統(tǒng)水稻患病的類型和此病對水稻的危害程度的綁定的。如下圖3-2所示：3-2該模塊負(fù)責(zé)圖像數(shù)據(jù)的采集與規(guī)范化處理，具體功能如下：圖像上傳：支持單張或批量上傳，最大文件限制為10MB；前端實時校驗文件格式與尺寸，異常數(shù)據(jù)觸發(fā)彈窗提示。格式轉(zhuǎn)換：將用戶上傳的圖像統(tǒng)一轉(zhuǎn)換為RGBAlpha通道；非元數(shù)據(jù)記錄：記錄上傳時間、用戶ID、原始圖像路徑等信息，存入MySQL數(shù)據(jù)庫。標(biāo)準(zhǔn)格式（WebP）JPG格式。該模塊為核心計算單元，實現(xiàn)病蟲害的自動化檢測，具體流程包括：圖像預(yù)處理：調(diào)整圖像尺寸至224224像素，雙線性插值保持特征完整性；像素值歸一化至[0,1]范圍，按通道減去均值（[0.485,0.456,0.406]）并除以標(biāo)準(zhǔn)差（[0.229,0.224,0.225]）模型預(yù)測：加載ONNX格式的輕量化ResNet-34模型，輸入預(yù)處理后圖像；輸出層通過Softmax函數(shù)計算各類別概率，取最大概率值作為預(yù)測結(jié)果。異步處理：使用Celery任務(wù)隊列管理高并發(fā)請求，避免阻塞主線程；推理結(jié)果緩存至Redis24小時，減少重復(fù)計算開銷。該模塊提供直觀的檢測結(jié)果與決策支持，主要功能包括：可視化界面點擊可視化界面，可以清晰的查看水稻病蟲害檢測的次數(shù)與檢測的時間，這樣我們可以清晰的看見我們檢測的頻率。如圖3-3所示：圖3-3可視化界圖像識別檢測上傳水稻患病圖片，系統(tǒng)進(jìn)行識別檢測，輸出水稻識別的結(jié)果，結(jié)果明確顯示水稻患有什么病、嚴(yán)重等級、置信度等，還有用戶反饋，用戶可以根據(jù)識別的結(jié)果對結(jié)果進(jìn)行反饋，反饋識別結(jié)果是否正確，反饋結(jié)果將會上傳到識別記錄中。如圖3-4所示：歷史記錄管理：

圖3-4圖像識別檢測用戶可按時間、病害類型篩選檢測記錄；支持結(jié)果導(dǎo)出為PDFExcel格式，便于田間管理歸檔。如圖3-5所示：圖3-5歷史管理導(dǎo)出顯本研究構(gòu)建的水稻病蟲害圖像數(shù)據(jù)集包含5,328張標(biāo)注圖像，覆蓋稻瘟4類常見病蟲害，數(shù)據(jù)來源包括：圖4-1數(shù)據(jù)源展PlantVillage[14（3000張）、AIChallenger（張）科研機(jī)構(gòu)共享：與農(nóng)業(yè)科研院所合作獲取實驗室顯微圖像（PNG格1200張）。數(shù)據(jù)集按病害類型分類存儲，每張圖像附帶JSON格式的元數(shù)據(jù)，包含拍攝時間、地理位置、病害嚴(yán)重程度（/中度/重度）及專家標(biāo)注標(biāo)簽。數(shù)據(jù)清洗：剔除模糊、過曝或遮擋嚴(yán)重的無效圖像（3%）數(shù)據(jù)增強(qiáng)：幾何變換：隨機(jī)水平翻轉(zhuǎn)（50%）、旋轉(zhuǎn)（25°）、中心裁剪（留率80%）；色彩擾動：調(diào)整亮度（Δ0.1）、對比度（Δ0.2），模擬田間復(fù)雜光照；標(biāo)準(zhǔn)化處理：圖像尺寸統(tǒng)一調(diào)整為224224像素，采用雙線性插值保持特征連續(xù)性；像素值歸一化至0,1范圍，并按通道減去均值(0.485,0.456,0.4060.485,0.456,0.406)后除以標(biāo)準(zhǔn)差(0.229,0.224,0.2250.229,0.224,0.225)。歸一化旨在消除圖像間因光照、設(shè)備差異導(dǎo)致的像素值分布偏移，使輸入數(shù)據(jù)符合模型訓(xùn)練所需的標(biāo)準(zhǔn)化分布，從而加速梯度下降過程并提升模型泛化性。最終，數(shù)據(jù)集按8:1:1劃分為訓(xùn)練集（4,262張）、驗證集（533張）試集（533張），并通過過采樣（SMOTE算法）平衡類別分布，確保模型對少數(shù)類病害（如褐條矮縮?。┑挠行W(xué)習(xí)。ResNet-34架構(gòu)進(jìn)行輕量化改進(jìn)：（1）殘差塊優(yōu)化：將原第三、四階段的殘差塊通道數(shù)縮減50%（64→32），減少計算量；全局平均池化：替換全連接層前的自適應(yīng)平均池化層，降低參數(shù)量；注意力機(jī)制：在最后一個殘差塊后添加SE（Squeeze-and-Excitation）模塊，增強(qiáng)病害區(qū)域的特征權(quán)重。改進(jìn)后模型參數(shù)量為12.7MResNet-34（21.8M）41.7%4,262張圖像，用于模型參數(shù)更新；533張圖像，用于超參數(shù)調(diào)優(yōu)與早停判斷；533張圖像，獨(dú)立評估模型性能。損失函數(shù)：采用加權(quán)交叉熵?fù)p失（WeightedCross-EntropyLoss）重根據(jù)類別頻率反向設(shè)置，緩解輕微類別不平衡問題；（2）優(yōu)化器：使用AdamW（AdamwithWeightDecay），初始學(xué)習(xí)率0.001，權(quán)重衰減系數(shù)10-4[12（3）學(xué)習(xí)率調(diào)度：采用余弦退火策略（CosineAnnealing）10epoch最小學(xué)習(xí)率10-5[12訓(xùn)練在NVIDIARTX3090GPU上進(jìn)行，關(guān)鍵參數(shù)如下：32，兼顧內(nèi)存效率與梯度穩(wěn)定性；Dropout比率0.5（）L2正則化系數(shù)10-早停條件：若驗證集損失連續(xù)10epoch未下降，終止訓(xùn)練并保存最佳模型。訓(xùn)練過程持續(xù)120epoch，最終驗證集準(zhǔn)確率達(dá)96.8%，過擬合現(xiàn)象可控（訓(xùn)練集與驗證集損失曲線收斂一致）對于模型檢測效果如下：圖4-2系統(tǒng)檢測結(jié)果從最水稻最輕度到最嚴(yán)重的病蟲害都能檢測出來。前端實現(xiàn)Vue3.0+TypeScriptElementPlus組件庫構(gòu)建響應(yīng)式界面；功能模塊如圖4-4-3圖像識別（）：支持拖拽與文件選擇，實時預(yù)覽上傳內(nèi)容；數(shù)據(jù)可視化：病害類型以標(biāo)簽云形式呈現(xiàn)，置信度進(jìn)度條動態(tài)顯示；VueRouter實現(xiàn)多頁面跳轉(zhuǎn)，按時間軸展示檢測記錄。病情分析：加載算法進(jìn)行后臺計算分析。個人信息：用戶個人信息。后端實現(xiàn)：Flask2.0搭建RESTfulAPIGunicorn部署多進(jìn)程服務(wù)；核心接口：/api/uploadBase64編碼；/api/predictONNX模型推理，返回JSON格式結(jié)果（含病害類型、置信度、熱力圖路徑）；Celery+Redis實現(xiàn)任務(wù)隊列，支持并發(fā)請求處理。界面布局：數(shù)據(jù)可視化：識別的數(shù)據(jù)可視化展示；圖像識別：上傳采集到的水稻病蟲害圖片，進(jìn)行圖像識別；病例分析：將上傳照片進(jìn)行病例算法計算和分析；識別記錄：查詢已識別的歷史記錄；個人信息：用戶登錄的信息；4-4交互流程：用戶上傳圖像，前端顯示加載動畫；后端返回檢測結(jié)果為驗證系統(tǒng)核心功能的完整性，設(shè)計以下測試用例（5-1），覆蓋數(shù)據(jù)輸入、模型推理與結(jié)果展示全流程：5-1輸預(yù)期輸實際結(jié)0.93測試結(jié)果表明，系統(tǒng)核心功能均滿足設(shè)計要求。模型預(yù)測的準(zhǔn)確度與魯棒性測在測試集（533張圖像）上評估模型性能，并與傳統(tǒng)方法對比（5-2）：5-2方準(zhǔn)確率F1改進(jìn)模型在光照變化（30%）、局部遮擋（20%）等復(fù)雜場景下，準(zhǔn)確率波動范圍小于3.5%，表現(xiàn)顯著優(yōu)于對比方法?？偙狙芯酷槍λ静∠x害檢測的迫切需求，提出了一種基于輕量化卷積神經(jīng)網(wǎng)絡(luò)（CNN）的端到端檢測系統(tǒng)，主要成果如下：（1）模型創(chuàng)新：通過優(yōu)化ResNet-34結(jié)構(gòu)（殘差塊通道縮減、SE注意力機(jī)制引入），在參數(shù)量減少41.7的條件下，實現(xiàn)了95.2的測試集準(zhǔn)確率，顯著優(yōu)于傳統(tǒng)方法與同類研究。（2）數(shù)據(jù)集構(gòu)建：整合實地采集、公開數(shù)據(jù)庫與實驗室圖像，構(gòu)建包含5,328張標(biāo)注圖像的多類別水稻病蟲害數(shù)據(jù)集，涵蓋稻瘟病、細(xì)菌性枯葉病、褐斑病、褐條萎縮病等4類典型病害，并通過過采樣技術(shù)緩解類別不平衡問題。該數(shù)據(jù)集已開源共享，為后續(xù)研究提供基準(zhǔn)支持。（3）系統(tǒng)開發(fā)：設(shè)計模塊化架構(gòu)，前端基于Vue.js實現(xiàn)用戶友好的交互界面，后端通過Flask部署輕量化模型，支持高并發(fā)請求（QPS29.2）。田間試驗驗證了系統(tǒng)的實用性，檢測效率較人工目檢提升20倍以上。展盡管系統(tǒng)在精度與效率上取得進(jìn)展，仍需在以下方向進(jìn)一步優(yōu)化與擴(kuò)展：模型魯棒性增強(qiáng)：引入Transformer或自注意力機(jī)制，提升復(fù)雜背景（如強(qiáng)逆光、葉片重疊）下的特征提取能力；探索動態(tài)權(quán)重分配策略，增強(qiáng)對罕見病害（如水稻白葉枯?。┑淖R別靈敏度。數(shù)據(jù)多樣性擴(kuò)展：補(bǔ)充不同生育期（分蘗期、抽穗期）與地域的病蟲害圖像，提升模型泛化性；聯(lián)合多模態(tài)數(shù)據(jù)（如高光譜圖像、環(huán)境傳感器數(shù)據(jù)），構(gòu)建更全面的病害預(yù)測模型。系統(tǒng)實時性優(yōu)化：針對邊緣設(shè)備（如無人機(jī)、手機(jī)終端），采用模型量化（INT8）[15]與神經(jīng)架構(gòu)搜索（NAS）技術(shù)壓縮模型體積5M以下開發(fā)離線部署版本，支持無網(wǎng)絡(luò)環(huán)境下的實時檢測。應(yīng)用場景拓展：擴(kuò)展至小麥、玉米等作物病蟲害檢測，構(gòu)建通用農(nóng)業(yè)病害識別平臺；集成農(nóng)業(yè)氣象數(shù)據(jù)與病蟲害傳播模型，提供動態(tài)防治建議與風(fēng)險預(yù)警。本研究為水稻病蟲害智能化防控提