水稻叶片病害智能分类（图像分类）

背景

水稻在生长过程中容易受到多种叶片病害影响，病害症状可能表现为斑点、变色、枯萎或霉层。传统识别依赖种植者经验或农业技术人员现场判断，筛查效率和判断一致性容易受到人员经验及工作状态影响。

本案例参考阿里云天池“神经网络图像识别——水稻叶片病害分类”数据集，使用 DTEmpower 构建图像分类模型，对白叶枯病、褐斑病和叶黑粉病进行分类，为水稻叶片病害的图像筛查提供辅助。

案例数据集

本案例包含用于模型训练和预测的图像压缩包：

训练数据中包含三个类别文件夹：Bacterial leaf blight（白叶枯病）、Brown spot（褐斑病）和 Leaf smut（叶黑粉病）。数据中还包含由原图翻转、旋转生成的增强图像，它们沿用原图的病害类别。

方案流程

本方案包含以下流程：

创建项目并导入水稻叶片训练图像文件夹；
获取文件列表并通过文件夹层级匹配生成病害标签；
创建图像分类任务并选择目标列和图像文件夹；
对比不同微调层数下的模型训练结果；
部署表现较好的模型；
导入预测图像并生成病害分类结果。

实施步骤

新建项目

点击【新建项目】，输入项目名称并点击【确认】，完成项目创建。

新建水稻叶片病害分类项目

导入训练数据并生成标签

点击【导入数据】，选择【文件夹】，上传训练数据文件夹。

选择文件夹方式导入训练数据

选择训练图像文件夹并创建训练数据集。

选择水稻叶片训练文件夹

完成训练文件夹导入

训练数据包含三个病害类别子文件夹。返回「流程」，选择该文件夹，在右侧点击【获取文件列表】。

从训练文件夹获取文件列表

在「文件夹层级匹配」中新增层级 2，将生成列命名为 label，使子文件夹名称作为图像类别标签。

配置病害类别标签层级

运行后，在流程中查看生成的文件夹列表。

查看带病害标签的文件列表

训练图像分类模型

在「流程」画布中选择生成的文件列表，在右侧「机器学习」中点击【图像分类】。

从文件列表发起图像分类任务

选择「目标列名」和「图像文件夹」，点击【确认】。

配置分类目标列和图像文件夹

在「文件路径列名」中选择文件路径列，确认 label 标签与图像路径对应，右侧预览已标注类别的图像。

确认图像路径和类别预览

本案例通过不同「微调层数」比较模型效果。先将「微调层数」设为 0。

配置微调层数为零

启用 GPU 加速，输入训练任务名称并点击【训练】。

提交微调层数为零的训练任务

查看模型训练状态

训练完成后，返回「训练配置」，分别将「微调层数」调整为 1、2 和 3，为每个任务设置名称并训练。

设置其他微调层数并发起训练

在「训练结果」中查看已完成的模型。

查看历史训练模型

在「精度统计」中比较不同微调层数模型的训练耗时和评估指标。本案例结果中，微调层数为 3 的模型精度最高。

比较不同微调层数的模型指标

部署模型

选择精度较高的模型，点击【查看详情】。

查看待部署图像分类模型

点击【部署】。

发起图像分类模型部署

在确认窗口中点击【确认】。

确认部署图像分类模型

预测水稻叶片病害

在「流程」中导入预测数据集。

导入水稻叶片预测数据集

完成预测数据集导入

预测文件夹中包含待分类的水稻叶片图像。

查看待预测叶片图像

选中预测文件夹，在右侧点击【获取文件列表】。

从预测文件夹获取文件列表

预测文件夹中没有类别子文件夹，直接点击【运行】生成文件列表。

运行预测文件列表生成

在「流程」中选中已部署模型，点击【预测】。

从已部署模型发起病害预测

选择「数据集」和「文件夹」，点击【确认】。

选择水稻叶片待预测数据

确认病害预测输入

预测完成后，在「流程」中查看预测结果，并点击【查看】打开详细分类结果。

查看水稻叶片分类结果节点

在结果中检查预测图像及其病害类别。

查看水稻叶片病害分类结果

方案总结

本方案展示了水稻叶片图像从文件夹导入、病害标签生成、图像分类模型训练与比较，到模型部署和新图像预测的完整流程。模型面向白叶枯病、褐斑病和叶黑粉病三类标签，可用于水稻叶片病害图像的初步分类筛查。