一、项目简介
本系统是一个基于卷积神经网络（CNN）的树叶病虫害识别系统，能够对树叶图像进行病虫害程度分类，将叶片状态划分为轻度灾害、中度灾害、重度灾害和健康四种类别。系统通过MATLAB GUI提供直观的可视化操作界面，用户可选取单张树叶图像进行识别，也可批量评估测试集整体识别准确率。
系统的核心算法流程如下：训练阶段，main.m脚本使用imageDatastore函数从'dbx'文件夹中加载图像数据，根据子文件夹名称自动标注类别标签，并按8:2的比例随机划分为训练集和测试集。构建的卷积神经网络包含4个卷积层（卷积核尺寸分别为3×3、5×5、5×5、3×3，通道数依次为32、16、16、32）、4个批归一化层、4个ReLU激活层、4个最大池化层（池化窗口分别为7×7、3×3、3×3、3×3），最后连接全连接层（输出4维）、Softmax层和分类层。网络输入图像尺寸为300×400×3。训练采用SGDM优化器，最大训练轮数为25轮，批大小为20张图像，梯度阈值设为1以防止梯度爆炸。训练完成后保存模型为'CNNnet.mat'。
识别阶段，GUI界面支持用户通过"选取图像"按钮加载待识别图像并显示在左侧面板，点击"识别"按钮后加载预训练模型，调用classify函数对图像进行分类，识别结果（如"中度灾害"）显示在识别结果编辑框中，并同步弹出提示对话框。用户点击"显示测试集结果"按钮时，系统自动加载测试集所有图像，利用训练好的模型进行批量预测，计算并显示总体准确率（约93.75%）。
二、部分源码
function pushbutton1_Callback(hObject, eventdata, handles) % 选取图像
% hObject handle to pushbutton1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
fn,pn,\~=uigetfile('*.jpg','请选择所要识别的图像');
I = imread(pn fn);
axes(handles.axes1);
imshow(I,\[\]);
title('所选图像');
handles.I = I;
guidata(gcbo,handles);
% --- Executes on button press in pushbutton2.
function pushbutton2_Callback(hObject, eventdata, handles) % 进行识别
% hObject handle to pushbutton2 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
load("CNNnet.mat");
y_pred = classify(CNNnet,handles.I);
% disp(y_pred);
set(handles.edit1,'String',string(y_pred));
result=strcat('病虫害程度：',string(y_pred),'');
msgbox(result,'识别结果','warn')
function edit1_Callback(hObject, eventdata, handles)
% hObject handle to edit1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
% Hints: get(hObject,'String') returns contents of edit1 as text
% str2double(get(hObject,'String')) returns contents of edit1 as a double
% --- Executes during object creation, after setting all properties.
function edit1_CreateFcn(hObject, eventdata, handles)
% hObject handle to edit1 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles empty - handles not created until after all CreateFcns called
% Hint: edit controls usually have a white background on Windows.
% See ISPC and COMPUTER.
if ispc && isequal(get(hObject,'BackgroundColor'), get(0,'defaultUicontrolBackgroundColor'))
set(hObject,'BackgroundColor','white');
end
% --- Executes on button press in pushbutton3.
function pushbutton3_Callback(hObject, eventdata, handles) % 显示整个测试集的结果
% hObject handle to pushbutton3 (see GCBO)
% eventdata reserved - to be defined in a future version of MATLAB
% handles structure with handles and user data (see GUIDATA)
%% 加载数据
allImages = imageDatastore('dbx', ...
'IncludeSubfolders' ,true, ...
'LabelSource' , 'foldernames' );% 图像加载为图像数据存储
% imageDatastore函数会根据文件夹名称自动标记图像
% 划分训练集(80%)和测试集(20%)
imgsTrain,imgsTest = splitEachLabel(allImages,0.8,'randomized');
load("CNNnet.mat");
y_pred = classify(CNNnet,imgsTest); % 使用训练好的网络测试
accuracy = mean(y_pred == imgsTest.Labels);% 计算准确率
三、运行结果
四、总结
本文设计并实现了一个基于CNN卷积神经网络的树叶病虫害识别系统，涵盖了数据加载与划分、CNN网络构建、模型训练与保存、单张图像识别以及测试集批量评估的完整流程。系统通过GUI实现了图像选取、识别结果显示和准确率展示等功能，具备良好的交互便捷性和可视化效果。实验结果表明，在自建数据集上，系统达到了约93.75%的总体识别准确率，能够较为有效地对树叶病虫害程度进行分类判断。系统的主要不足在于：一是网络结构较为简单（仅4个卷积层），对更细粒度的病虫害类型或复杂背景图像的区分能力可能不足；二是数据集规模有限，模型的泛化能力有待在更大规模、更多样化的数据集上进一步验证；三是GUI界面仅显示识别结果文本，未能可视化网络中间层特征或注意力区域，缺乏对识别依据的解释性。后续工作可考虑引入预训练模型（如ResNet、VGG等）进行迁移学习以提升识别精度，并扩展数据集覆盖更多树种和病虫害类型，同时可加入Grad-CAM等可视化方法增强模型的可解释性。
五、代码获取
接matlab程序定制和论文设计，方向如下：
图像处理｜语音识别｜图像识别｜目标检测｜深度学习｜神经网络｜强化学习｜机器学习｜通信系统｜信号处理｜时频分析｜小波降噪｜路径规划｜优化算法｜智能算法｜数据处理｜数学建模｜文献复现｜算法复现｜模型复现等
程序包运行成功，零基础的可以远程帮你运行，赠送安装包。
作为初学者，遇见不会的问题是非常正常的事情，具体代码仿真可通过主页 私信博主。