摘要:本文设计了一种基于LeNet的深度卷积神经网络，利用大豆叶斑病斑影响区域进行病害识别和分类。采用无监督模糊聚类算法从叶片图像中分割出病害斑的影响区域。所提出的深度卷积神经网络模型的测试准确率为89.84%，分类错误的图像有1378张，分类正确的图像有1271张，每类识别结果较差。其中vgg16表现最好，识别率达93.54%，分类错误1245张，分类正确1404张，每类识别率更高。
关键词:深度卷积神经网络，无监督模糊聚类算法，图像分割，大豆叶斑病
I. INTRODUCTION世界上大多数国家的经济都依赖于农业。农业在人类食物的生产和分配中占有重要的地位。(作物的生长)农业不仅可以给人们的日常生活带来必需品，还可以提高土壤肥力，保持良好的土壤生态系统，控制土壤侵蚀，减少泥石流、沙尘暴等自然灾害，改善人类赖以生存的环境。然而，作物的生长发育与周围的环境密切相关。而环境污染越来越严重，可能诱发农作物病害。大豆是世界上最重要的农产品之一。【2】今天,它是受几个疾病担心大量的农民,和对抗作物疾病仍然是一个主要问题,控制这些疾病,大量的化学物质或杀真菌剂用于柑橘作物,导致经济损失和环境污染[2]。
【3,4】现在，基于人工智能的新技术可以发展精准农业，改善作物，管理和限制床上化学品的滥用[3,4]。
【5,6,7】植物病害的检测和分类是提高植物生产力和经济增长的重要任务[5,6,7]。
【2,8,9】计算机视觉、机器学习和深度学习算法使开发控制和分析植物病害的工具成为可能[2,8,9]。
如今，计算机视觉
