### 基于Python的棉花病虫害识别解决方案 #### 解决方案概述 为了实现棉花病虫害的自动化识别，可以采用深度学习中的卷积神经网络（CNN）作为核心算法。具体来说，YOLO（You Only Look Once）是一种高效的实时目标检测框架，适合处理此类问题。以下是完整的解决方案及其代码示例。 --- #### 数据准备 根据引用的内容[^2]，可以从公开的数据集中获取标注好的棉花病虫害图片。数据集包含1522张图片，并已标注为txt格式，可以直接用于模型训练。 ```python import os from PIL import Image import numpy as np # 定义数据路径 data_path = './dataset' train_images_path = os.path.join(data_path, 'images/train') test_images_path = os.path.join(data_path, 'images/test') # 加载图像并预处理 def load_and_preprocess_image(image_path): img = Image.open(image_path).resize((224, 224)) # 调整大小到224x224 img_array = np.array(img) / 255.0 # 归一化像素值 return img_array # 示例加载一张图片 example_image = os.listdir(train_images_path)[0] image_data = load_and_preprocess_image(os.path.join(train_images_path, example_image)) print(f"Image shape after preprocessing: {image_data.shape}") ``` --- #### 构建模型 使用Keras库构建一个简单的卷积神经网络（CNN），或者直接调用预训练模型如MobileNetV2进行迁移学习。 ```python import tensorflow as tf from tensorflow.keras.applications import MobileNetV2 from tensorflow.keras.layers import Dense, GlobalAveragePooling2D from tensorflow.keras.models import Model # 加载预训练模型并修改最后一层 base_model = MobileNetV2(weights='imagenet', include_top=False) # 添加自定义全连接层 x = base_model.output x = GlobalAveragePooling2D()(x) x = Dense(1024, activation='relu')(x) predictions = Dense(20, activation='softmax')(x) # 输出类别数为20 model = Model(inputs=base_model.input, outputs=predictions) # 冻结基础模型的权重 for layer in base_model.layers: layer.trainable = False # 编译模型 model.compile(optimizer=tf.keras.optimizers.Adam(), loss='categorical_crossentropy', metrics=['accuracy']) print(model.summary()) ``` --- #### 训练模型 将数据分为训练集和验证集，并使用ImageDataGenerator进行数据增强。 ```python from tensorflow.keras.preprocessing.image import ImageDataGenerator # 设置数据增强参数 datagen = ImageDataGenerator( rescale=1./255, rotation_range=20, width_shift_range=0.2, height_shift_range=0.2, horizontal_flip=True, validation_split=0.2 ) # 加载训练数据 train_generator = datagen.flow_from_directory( train_images_path, target_size=(224, 224), batch_size=32, class_mode='categorical', subset='training' ) validation_generator = datagen.flow_from_directory( train_images_path, target_size=(224, 224), batch_size=32, class_mode='categorical', subset='validation' ) # 开始训练 history = model.fit( train_generator, epochs=10, validation_data=validation_generator ) ``` --- #### 测试模型 完成训练后，可以在测试集上评估模型性能。 ```python from sklearn.metrics import classification_report # 获取预测结果 y_pred = model.predict(validation_generator) predicted_classes = np.argmax(y_pred, axis=1) true_classes = validation_generator.classes class_labels = list(validation_generator.class_indices.keys()) # 打印分类报告 report = classification_report(true_classes, predicted_classes, target_names=class_labels) print(report) ``` --- #### 结果可视化 绘制损失函数和准确率的变化曲线。 ```python import matplotlib.pyplot as plt # 绘制训练过程中的loss变化 plt.figure(figsize=(12, 4)) plt.subplot(1, 2, 1) plt.plot(history.history['loss'], label='Training Loss') plt.plot(history.history['val_loss'], label='Validation Loss') plt.legend() plt.title('Loss Curve') plt.subplot(1, 2, 2) plt.plot(history.history['accuracy'], label='Training Accuracy') plt.plot(history.history['val_accuracy'], label='Validation Accuracy') plt.legend() plt.title('Accuracy Curve') plt.show() ``` --- ### 总结 以上展示了如何利用Python和深度学习技术解决棉花病虫害识别问题。通过引入预训练模型和迁移学习，大幅减少了训练时间和计算资源的需求，同时提高了模型的泛化能力[^3]。