[论文解读] Grapes disease detection using transfer learning

Bhavya Jain, P. Sasikumar|arXiv (Cornell University)|Aug 16, 2022

Smart Agriculture and AI被引用 4

一句话总结

本文提出了一种基于迁移学习的方法，利用预训练的卷积神经网络（ResNet-50）作为特征提取器，并结合随机森林分类器，实现对葡萄叶病害的早期检测。该模型在包含四个病害类别的1,003张图像上进行训练，取得了91.66%的准确率，展示了其在提升作物健康监测效率并减少葡萄栽培中经济损失方面的轻量化、高效解决方案。

ABSTRACT

Early and precise diagnosis of diseases in plants can help to develop an early treatment technique. Plant diseases degrade both the quantity and quality of crops, thus posing a threat to food security and resulting in huge economic losses. Traditionally identification is performed manually, which is inaccurate, time-consuming, and expensive. This paper presents a simple and efficient model to detect grapes leaf diseases using transfer learning. A pre-trained deep convolutional neural network is used as a feature extractor and random forest as a classifier. The performance of the model is interpreted in terms of accuracy, precision, recall, and f1 score. Total 1003 images of four different classes are used and 91.66% accuracy is obtained.

研究动机与目标

• 解决葡萄叶病害人工检测中存在不准确、耗时且成本高的挑战。
• 通过实现植物病害的早期精准诊断，提升作物产量并保障粮食安全。
• 开发一种低复杂度、高准确率的模型，适用于实际农业应用。
• 评估迁移学习与集成分类结合在植物病害检测中的性能表现。

提出的方法

• 利用预训练的ResNet-50模型作为特征提取器，以利用ImageNet中学习到的层次化表征。
• 将ResNet-50的最后全连接层替换为全局平均池化层，以提取固定尺寸的特征。
• 在提取的特征上训练随机森林分类器，实现多类别病害分类。
• 采用数据增强技术以提升模型泛化能力，并缓解在小样本数据集上的过拟合问题。
• 通过交叉验证优化随机森林模型的超参数，以提升分类性能。
• 使用标准指标（准确率、精确率、召回率和F1分数）在数据集的测试集上评估模型性能。

实验结果

研究问题

• RQ1 使用预训练CNN进行迁移学习是否能有效提取用于葡萄叶病害分类的判别性特征？
• RQ2 与从零开始训练相比，ResNet-50特征与随机森林结合如何提升分类准确率？
• RQ3 该模型在四个葡萄病害类别上的精确率、召回率和F1分数表现如何？
• RQ4 数据增强在小样本、真实世界数据集上在多大程度上提升了模型的泛化能力？
• RQ5 轻量化模型是否能够实现足够高的准确率，适用于田间农业监测系统的部署？

主要发现

• 所提出的模型在包含四个病害类别的1,003张葡萄叶图像数据集上，测试准确率达到91.66%。
• 该模型在所有评估指标上均表现出色，精确率、召回率和F1分数均较高，表明其具备强大的分类能力。
• 与从零开始训练CNN相比，迁移学习显著减少了训练时间和数据需求。
• 在该小样本数据集上，ResNet-50特征与随机森林分类器的结合优于传统的端到端训练方法。
• 该模型的性能表明其在移动设备或边缘计算农业监测系统中具有良好的部署潜力。
• 结果证实，迁移学习是资源受限环境下植物病害检测的一种可行且高效的方法。