卷积神经网络(CNN)模型具有改善植物疾病表型的潜力，标准方法是需要专门培训的视觉诊断。将CNN部署到移动设备上的场景中，由于光照和定位，模型将面临新的挑战。如果要将模型与计算机视觉产品可靠地集成在一起进行植物病害表型分析，则需要在现实条件下进行模型评估。

附有传单注释的7个类培训图片示例

本文作者训练了一个CNN对象检测模型来识别木薯叶片症状。然后将该模型部署到一个移动应用程序中，并在坦桑尼亚农业领域的720张患病传单的移动图像和视频上测试其性能。在每个疾病类别中，我们测试两个症状的严重程度——轻微和明显，以评估早期发现症状的模型性能。在这两个严重程度中，我们看到了一个下降的表现，为现实世界的图像和视频的衡量与F-1评分。由于模型记忆能力的下降，在现实世界的图像(与训练数据最接近的数据)中出现明显症状时，F-1的得分下降了32%。如果要实现移动CNN模型的潜力，数据表明，考虑调优召回是至关重要的，以便在现实世界中实现所需的性能。此外，与不同输入数据(图像或视频)相关的不同性能是现实应用设计中的一个重要考虑因素。

现实世界移动图像和移动视频的混淆矩阵

来源：Front. Plant Sci.A Mobile-Based Deep Learning Model for Cassava Disease Diagnosis.Amanda Ramcharan, Peter McCloskey, Kelsee Baranowski, Neema Mbilinyi, Latifa Mrisho, Mathias Ndalahwa, James Legg and David P. Hughes.https://doi.org/10.3389/fpls.2019.00272