卷积神经网络(CNN)模型拥有改善植物疾病表型的潜力

，尺度步骤是必要专门培训的视觉诊断
。将CNN部署到移动设备上的场景中

，由于光照和定位

，模型将面对新的挑战
。若是要将模型与推算机视觉产品靠得住地集成在一路进行植物病害表型分析

，则必要在现实前提下进行模型评估
。

附有传单注解的7个类培训图片示例

本文作者训练了一个CNN对象检测模型来鉴别木薯叶片症状
。而后将该模型部署到一个移动利用法式中

，并在坦桑尼亚农业领域的720张患病传单的移动图像和视频上测试其机能
。在每个疾病类别中

，我们测试两个症状的严沉水平——轻微和显著

，以评估早期发现症状的模型机能
。在这两个严沉水平中

，我们看到了一个降落的阐发

，为现实世界的图像和视频的衡量与F-1评分
。由于模型影象能力的降落

，在现实世界的图像(与训练数据最靠近的数据)中出现显著症状时

，F-1的得分降落了32%
。若是要实现移动CNN模型的潜力

，数据批注

，思考调优召回是至关沉要的

，以便在现实世界中实现所需的机能
。此表

，与分歧输入数据(图像或视频)有关的分歧机能是现实利用设计中的一个沉要思考成分
。

现实世界移动图像和移动视频的混合矩阵

起源：Front. Plant Sci.A Mobile-Based Deep Learning Model for Cassava Disease Diagnosis.Amanda Ramcharan, Peter McCloskey, Kelsee Baranowski, Neema Mbilinyi, Latifa Mrisho, Mathias Ndalahwa, James Legg and David P. Hughes.https://doi.org/10.3389/fpls.2019.00272