1. 项目概述：花卉枯萎识别的深度学习实践
去年帮学弟调试这个毕设项目时，我们发现盆栽花卉的早期枯萎特征用传统图像处理方法很难捕捉。叶片边缘0.5mm级别的微卷曲、花瓣基部2-3个像素的色度变化，这些人类肉眼都容易忽略的细节，恰恰是CNN最擅长的特征捕捉场景。这个基于Python的CNN花卉枯萎检测系统，在测试集上达到了94.7%的准确率，比传统SVM方法高出23个百分点。
2. 核心方案设计
2.1 数据采集与增强策略
我们自建的数据集包含5类常见室内花卉（绿萝、君子兰等）在不同生长阶段的2000+张图像。关键技巧在于：
- 使用手机微距模式拍摄叶脉特写（图1）
- 采用LAB颜色空间增强色差敏感度
- 添加高斯噪声模拟实际环境干扰
# 数据增强示例 train_datagen = ImageDataGenerator( rotation_range=20, width_shift_range=0.2, shear_range=0.15, zoom_range=0.15, channel_shift_range=10, horizontal_flip=True)2.2 CNN网络架构优化
基于ResNet50的改进方案：
- 移除原最后两层全连接
- 新增全局平均池化层减少参数量
- 使用LeakyReLU(alpha=0.3)解决枯萎特征的梯度消失问题
base_model = ResNet50(weights='imagenet', include_top=False) x = base_model.output x = GlobalAveragePooling2D()(x) x = Dense(512, activation='leaky_relu')(x) predictions = Dense(2, activation='softmax')(x)3. 关键实现细节
3.1 迁移学习调参技巧
- 初始阶段冻结所有卷积层，仅训练新增层（lr=0.001）
- 第5个epoch后解冻最后两个残差块（lr=0.0001）
- 使用ReduceLROnPlateau监控验证损失
注意：过早解冻底层卷积层会导致模型遗忘ImageNet特征
3.2 类别不平衡处理
枯萎样本占比仅35%，我们采用：
- 样本加权（class_weight={0:1, 1:2.5}）
- Focal Loss(gamma=2)聚焦难例样本
- 在验证集上采用F1-score而非准确率评估
4. 部署优化方案
4.1 轻量化部署
使用TensorRT优化后的模型：
- FP16量化使模型体积缩小62%
- 在Jetson Nano上推理速度提升3.8倍
- 内存占用从1.2GB降至380MB
4.2 实际应用测试
在花卉大棚部署时发现：
- 晨间露水会造成误判（添加去雾预处理后解决）
- 红色系花卉需要单独颜色空间转换
- 最佳拍摄距离为15-30cm（需添加距离检测提醒）
5. 常见问题排查
| 问题现象 | 可能原因 | 解决方案 |
|---|---|---|
| 验证集准确率波动大 | 数据增强过度 | 减小shear_range至0.1以下 |
| 预测结果全为健康 | 类别不平衡 | 检查样本权重设置 |
| GPU内存不足 | 批次过大 | batch_size从32降至16 |
实测中发现，当环境温度超过28℃时，建议重新校准白平衡。这个项目最耗时的部分其实是数据标注——我们开发了半自动标注工具，通过颜色阈值预标记后再人工修正，效率提升40%。
