基于 Mish 激活函数的增强型深度学习模型（Mish-CNN）用于马铃薯叶片病害检测研究

马铃薯易受早疫病、晚疫病等细菌及真菌病害影响，早期检测至关重要。研究人员结合计算机视觉与机器学习技术，构建融合图像处理和卷积神经网络（CNN）的模型，引入 Mish 激活函数。基于超 1500 张 Plant Village 图像数据，模型分类准确率达 98%，为实时检测提供新方案。

　　

马铃薯是全球种植最广泛的作物之一，但极易受到细菌性和真菌性病害的侵袭，尤其是早疫病（Early Blight）和晚疫病（Late Blight），这些病害会严重影响产量。在萌芽阶段进行早期检测，对于减少损失和提高生产力至关重要。为应对这一挑战，研究人员广泛探索计算机视觉和机器学习技术，以实现病害的自动化检测。本文提出一种深度学习模型，该模型整合图像处理和卷积神经网络（Convolutional Neural Networks，CNN），可将马铃薯叶片分为早疫病、晚疫病和健康三类。为增强特征提取能力和模型性能，研究中引入 Mish 激活函数，该函数可提升网络的学习能力。实验使用了公开的 Plant Village 数据库中超过 1500 张标记的健康和患病马铃薯叶片图像。结果表明，经 Mish 激活函数增强的 CNN 模型实现了 98% 的分类准确率，优于传统模型。这些发现凸显了该方法的有效性和可靠性，为开发实时马铃薯叶片病害检测自动化系统提供了支持。