[论文解读] An Effective Scheme for Maize Disease Recognition based on Deep Networks

Saeedeh Osouli, Behrouz Bolourian Haghighi+1 more|arXiv (Cornell University)|May 9, 2022

Smart Agriculture and AI被引用 4

一句话总结

本文提出Mob-INC，一种新颖的深度学习模型，通过迁移学习将微调后的MobileNetV2与Inception模块相结合，实现对玉米病害的精准识别。通过融合两种架构的特征提取能力，并利用数据增强缓解类别不平衡问题，该模型在多类玉米病害数据集上实现了97%的准确率，优于现有最先进方法。

ABSTRACT

In the last decades, the area under cultivation of maize products has increased because of its essential role in the food cycle for humans, livestock, and poultry. Moreover, the diseases of plants impact food safety and can significantly reduce both the quality and quantity of agricultural products. There are many challenges to accurate and timely diagnosis of the disease. This research presents a novel scheme based on a deep neural network to overcome the mentioned challenges. Due to the limited number of data, the transfer learning technique is employed with the help of two well-known architectures. In this way, a new effective model is adopted by a combination of pre-trained MobileNetV2 and Inception Networks due to their effective performance on object detection problems. The convolution layers of MoblieNetV2 and Inception modules are parallelly arranged as earlier layers to extract crucial features. In addition, the imbalance problem of classes has been solved by an augmentation strategy. The proposed scheme has a superior performance compared to other state-of-the-art models published in recent years. The accuracy of the model reaches 97%, approximately. In summary, experimental results prove the method's validity and significant performance in diagnosing disease in plant leaves.

研究动机与目标

• 为应对玉米叶片病害的精准且及时诊断挑战，此类病害威胁粮食安全并降低作物产量。
• 克服现有方法的局限性，如准确率低、专家诊断成本高，以及在大规模农业中效率低下。
• 开发一种自动化、低成本且精确的玉米病害分类系统，利用深度学习技术。
• 通过迁移学习与数据增强策略，提升在小样本、类别不平衡数据集上的性能。

提出的方法

• 所提出的模型Mob-INC将预训练的MobileNetV2与Inception模块作为并行的早期卷积层，从玉米叶片图像中提取分层特征。
• 通过迁移学习，先在ImageNet上进行初始预训练，随后在玉米病害数据集上对整个MobileNetV2网络进行微调。
• 在共享特征提取分支之后添加一个Inception模块，以增强特征表示并捕捉多尺度模式。
• 通过一种增强策略缓解类别不平衡问题，增加少数类样本数量，以提升模型泛化能力。
• 在融合后的特征之上添加一个新的全连接层，用于最终的病害分类。
• 采用70/10/20的训练/验证/测试集划分，模型训练30个周期，基于验证损失采用早停策略。

实验结果

研究问题

• RQ1 与独立模型相比，结合MobileNetV2与Inception模块的混合CNN架构是否能提升玉米病害检测的分类准确率？
• RQ2 在小样本且类别不平衡的玉米病害数据集中，迁移学习结合数据增强策略的有效性如何？
• RQ3 所提出的Mob-INC模型在准确率与鲁棒性方面，相较于现有最先进模型，优势程度如何？
• RQ4 该模型是否能在所有病害类别中实现高置信度预测，包括那些具有相似视觉特征的类别？

主要发现

• Mob-INC模型在测试集上达到97%的准确率，显著优于近期文献中报道的其他最先进模型。
• 经过30个训练周期后，模型验证准确率达到96.10%，验证损失为0.14。
• 混淆矩阵显示分类置信度高，仅在三个主要病害类别中观察到少量误分类。
• 所有类别中的精确率、F1分数、敏感度与特异性指标均表现强劲且均衡。
• 各类病害的概率输出显示高置信度，类别间重叠极小，表明决策边界可靠。
• 消融实验确认，MobileNetV2与Inception模块的结合显著促进了特征学习，提升了整体模型性能。