1. 图像数据采集（原始素材）
采集设备：手机、无人机、田间摄像头，优先拍单张清晰叶片、正面 + 背面、自然光、无反光、无遮挡
格式要求：导出 JPG/PNG，避免 RAW 格式；统一拍摄角度、距离，保证叶片占画面主体
样本规模：一般2–5 万张效果稳定，3 万张是常用标准量
类别：健康叶片、稻瘟病、白粉病、锈病、叶斑病等，每类样本尽量均衡
2. 图像预处理（Python 代码实现，OpenCV/Pillow）
裁剪：去除土壤、杂草、天空等无关背景，只保留叶片区域
尺寸归一：统一缩放为 224×224 像素（ResNet/VGG 通用输入尺寸）
画质优化：亮度 / 对比度归一、去噪、锐化；剔除模糊、过曝、遮挡严重的无效图
数据增强（关键！防过拟合）：随机翻转、旋转、裁剪、色彩抖动，扩充样本数量
3. 数据标注（最耗时核心步骤）
标注工具：LabelMe（免费开源）
标注方式：对叶片画矩形框 / 直接分类标注，标签：健康、稻瘟病、白粉病…
输出文件：原图 + 对应 JSON/TXT 标签文件，划分训练集 80%、验证集 15%、测试集 5%
难点：需要农学知识区分相似病害，标注一致性要统一
4. 深度学习模型搭建与训练（迁移学习，不用写底层公式）
框架选择：PyTorch / TensorFlow/Keras
预训练模型：直接调用 ResNet50、VGG16、EfficientNet（已在 ImageNet 训练好，通用特征直接用）
训练策略：
冻结底层卷积层（提取通用纹理、边缘特征）
解冻顶层，用自己的病害数据集微调训练
训练参数：批次大小、学习率、迭代轮次，GPU 加速训练
输出：保存最终模型文件（.pth/.h5）
5. 模型推理识别（落地使用）
输入：上传新的叶片照片，自动完成224×224 预处理
调用模型：加载训练好的权重，前向推理
输出结果：病害类别 + 置信概率，例：稻瘟病，92%；健康，7%；白粉病，1%
拓展：可接入 APP、小程序、田间摄像头实时识别
6. 迭代优化（可选）
收集识别错误样本，重新标注、补充训练，提升准确率
优化背景干扰、逆光、小面积病斑的识别效果
