**摘要：**在现代农业领域，植物病害检测对提升作物产量具有至关重要的作用。要实现大规模增产，必须能够预测病害的发生并为农民提供科学指导。以往的植物病害检测方法依赖人工特征提取，这种方式成本较高。因此，基于图像的技术在植物病害检测研究领域备受关注。然而，现有方法因采集图像的固有缺陷而存在诸多问题，包括背景条件不理想导致的遮挡、光照不均、图像朝向偏差及尺寸失真等问题。此外，在实时应用中还普遍存在计算复杂度高、误分类率高及过拟合等问题。为解决这些问题，我们提出了农业检测（AgriDet）框架，该框架融合了传统的Inception-视觉几何组网络（INC- VGGN）与基于Kohonen算法的深度学习网络，用于检测植物病害并评估病株的严重程度。该框架首先通过图像预处理消除采集图像中的所有干扰因素；随后采用提出的多变量GrabCut算法有效解决遮挡问题，实现精准分割；最终通过改进的基础网络------即预训练的传统INC- VGGN 模型------实现准确的病害检测与分类。本研究采用预先训练好的INC- VGGN 模型------该模型是一种用于预测植物病害的深度卷积神经网络，此前已在特定数据集上完成训练。该基础网络中的预训练权重及所学习的特征被迁移至新开发的神经网络中，以实现针对本数据集的植物病害检测这一特定任务。为解决过拟合问题，模型引入了 dropout 层，并采用 Kohonen 学习层进行特征的深度学习。经过百分比计算后，改进后的基础网络能够对训练集中的病害严重程度进行分类。最终，通过多种性能指标对框架性能进行评估，其准确率优于先前模型。同时，统计分析结果也验证了模型在准确率、特异性和敏感性方面的表现。
AgriDet架构
所提出的 AgriDet 框架的框图
超参数设置
不同训练周期下的准确率与损失值
基于收集的数据集，针对不同疾病的敏感性、特异性及准确度指标
不同分类模型的统计分析（加粗字体表示最佳结果）
**结论：**本文提出了一种AgriDet框架，该框架融合了传统的INC- VGGN 模型和基于Kohonen的深度学习网络，用于检测植物病害并分类病株的严重程度。首先，通过预处理步骤利用来自PlantDoc和PlantVillage数据集的图像缩放、增强及对比度调整样本，消除图像尺寸不均和格式不当的问题。为解决复杂的多重背景干扰问题，采用 MGA 算法进行分割处理以提取叶片病变区域。随后，基于Kohonen的深度学习方法结合INC- VGGN 模型预先学习到的特征，学习叶片病害的多尺度特征，从而提升检测精度。此外，网络中采用 dropout层有效避免过拟合现象。最终，通过使用经过预训练的传统INC- VGGN 模型， QDSC 策略可提取预训练特征并对病害严重程度进行分类。实验结果表明， PLD 严重程度评估指标在所收集的数据集中对不同病害均展现出更高的准确率。综合现有研究数据，本框架发现多种基于计算智能的技术------如MBO、蚯蚓优化算法（EWA）、大象群居优化算法（EHO）、蛾类搜索算法（MS）、黏菌算法（SMA）、饥饿游戏搜索算法（HGS）、龙格-库塔优化器（RUN）、群落捕食算法（CPA）及哈里斯鹰优化算法（HHO）------普遍应用于图像分割领域，其性能优于传统方法。该方法已获得该领域众多研究者的广泛认可，并为未来研究提供了范例。本研究存在以下局限性：(i)现有数据集中缺乏来自实际场景的集成标注图像，因此图像训练均在受控环境中进行；（ii）所提出方法无法在同一图像中检测多种病害或同一图像中同一病害的多次出现。未来工作将重点改进该方法，以实现对植物不同病害阶段及不同部位病害的检测；此外，该系统还可扩展为移动应用程序，从而显著提升农民的信任度。