深度学习在植物病害诊断中表现突出，但常受限于样本不足和类别不平衡。为缓解这些瓶颈，我们提出了一套完整的数据生成方案。首先，结合传统数据增强、CutMix、MixUp以及基于深度卷积生成对抗网络（DCGAN）的合成图像，生成大量新样本。随后，将生成的数据用于三种情景：(S1) 平衡原始数据集的类别分布，(S2) 增加每个类别的样本数量，(S3) 在保持类别平衡的前提下整体扩展数据集。接着，以 EfficientNetV2B0 为主干，分别使用预训练权重和微调权重进行训练，评估三种数据分布对模型精度的影响。实验表明，经过上述策略处理后，分类准确率显著提升，验证了数据多样性和类别平衡对模型性能的关键作用。这一方法可推广至其他作物病害检测，为精准农业提供技术支撑。
点评