[论文解读] Performance Analysis of Optimizers for Plant Disease Classification with Convolutional Neural Networks

Shreyas Rajesh Labhsetwar, Soumya Haridas+4 more|arXiv (Cornell University)|Nov 8, 2020

Smart Agriculture and AI参考文献 21被引用 11

一句话总结

本研究评估了RMSprop、Adam和AMSgrad优化器在28层卷积神经网络（CNN）上对15种作物病害类别的植物病害分类性能。模型在移动设备、无人机或卫星图像上进行训练，使用Adam优化器时验证准确率达到98%，证明了深度学习在印度农业中早期病害检测方面的有效性，有助于减少作物损失。

ABSTRACT

Crop failure owing to pests & diseases are inherent within Indian agriculture, leading to annual losses of 15 to 25% of productivity, resulting in a huge economic loss. This research analyzes the performance of various optimizers for predictive analysis of plant diseases with deep learning approach. The research uses Convolutional Neural Networks for classification of farm or plant leaf samples of 3 crops into 15 classes. The various optimizers used in this research include RMSprop, Adam and AMSgrad. Optimizers Performance is visualised by plotting the Training and Validation Accuracy and Loss curves, ROC curves and Confusion Matrix. The best performance is achieved using Adam optimizer, with the maximum validation accuracy being 98%. This paper focuses on the research analysis proving that plant diseases can be predicted and pre-empted using deep learning methodology with the help of satellite, drone based or mobile based images that result in reducing crop failure and agricultural losses.

研究动机与目标

• 解决印度农业中因害虫和病害导致的作物损失问题，每年损失比例在15%至25%之间。
• 开发一种基于深度学习的预测模型，利用移动设备、无人机或卫星源获取的图像，实现植物病害的早期检测。
• 评估并比较三种优化算法——RMSprop、Adam和AMSgrad——在训练用于植物病害分类的CNN时的性能表现。
• 为农民提供一种可扩展、低成本且高精度的AI解决方案，用于检测病害严重程度并防止作物绝收。
• 证明通过优化训练的深度学习方法可显著提高分类准确率，并支持及时的农业干预措施。

提出的方法

• 设计一个包含卷积层、ReLU激活函数、最大池化层和全连接层的28层序列CNN架构，用于图像分类。
• 应用数据增强技术，如翻转、平移、色彩抖动和降噪，以提升数据集规模和鲁棒性。
• 将RGB图像转换为HSV色彩空间，并在分类前应用高斯模糊以实现降噪和图像平滑化。
• 使用网格搜索交叉验证进行超参数调优，以优化模型性能。
• 实现三种优化器——RMSprop、Adam和AMSgrad——每种均具有独特的自适应学习率机制和动量集成方式。
• 使用随机梯度下降配合反向传播训练模型，并通过训练/验证准确率/损失曲线、混淆矩阵和ROC曲线评估性能。

实验结果

研究问题

• RQ1 在使用深度CNN对植物病害图像进行分类时，RMSprop、Adam和AMSgrad三种优化器中，哪一种能实现最高的验证准确率？
• RQ2 在模型训练过程中，三种优化器的训练和验证损失及准确率曲线有何差异？
• RQ3 混淆矩阵揭示了每种优化器的误分类模式如何？
• RQ4 对于每种病害类别，三种优化器的受试者工作特征曲线下面积（AUC）有何比较？
• RQ5 使用这些优化器训练的深度学习模型，在利用移动电话或无人机等低成本成像源时，能在多大程度上实现植物病害的早期检测？

主要发现

• Adam优化器实现了98%的最高验证准确率，优于RMSprop（95%）和AMSgrad。
• Adam在大多数病害类别上实现了近乎完美的分类，仅有一例误分类：番茄靶斑病被误分类为马铃薯晚疫病。
• RMSprop实现了95%的验证准确率，仅将番茄靶斑病误分类为番茄晚疫病。
• AMSgrad表现良好，但将番茄花叶病毒和番茄靶斑病误分类为马铃薯晚疫病。
• 混淆矩阵和ROC曲线证实，Adam在全部15个类别中均表现出最一致且最稳健的分类性能。
• 本研究证实，通过优化训练的深度学习方法可有效从低成本图像中检测植物病害，支持早期干预并减少作物损失。