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：

1. 移除原最后两层全连接
2. 新增全局平均池化层减少参数量
3. 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

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%。