088番茄病害检测使用CNN卷积神经网络识别

卷积神经网络识别"/>

088番茄病害检测使用CNN卷积神经网络识别

基于深度学习的番茄叶子病害检测的目的是通过图像识别技术，自动检测与分类番茄植株叶子上的不同病害类型，提高病害的检测效率和准确性。

常用的CNN模型有：

1. LeNet-5
2. AlexNet
3. VGGNet
4. GoogLeNet (Inception-v1)
5. ResNet
6. Inception-v4
7. DenseNet
8. Xception
9. MobileNet
10. EfficientNet

这些模型都是经过训练的卷积神经网络模型，可以对图像进行特征提取并进行分类。其中，部分模型还使用了一些特殊的结构和技巧，如残差连接、批标准化、深度可分离卷积等，以进一步提升模型的性能和效率。

​

demo仓库和视频演示找088期：

到此一游7758258的个人空间_哔哩哔哩_bilibili

效果展示图如下：

​代码文件展示如下：

​

运行01数据集文本生成制作.py可以读取图片路径保存再txt文本中，

运行02train.py可以对txt文本中的图片路径读取并训练模型，

在02中可以选择的模型有10多种可以对比，包括alexnet、DenseNet、DLA、GoogleNet、Mobilenet、ResNet、ResNeXt、ShuffleNet、VGG、EfficientNet和Swin transformer等10多种模型。

​

训练的每个epoch都会显示准确率precision、召回率recall和 f1-score 

​

训练完成后评价指标图会保存在result文件夹下。

​

运行03flask_server.py是使用flask生成http接口连接小程序端，通过小程序传过来的图片，调用logs文件夹下训练好的模型，识别结果返回给小程序端口。

​

​