[论文解读] Plant Disease Detection Using Image Processing and Machine Learning

Pranesh Kulkarni, Atharva Karwande+4 more|arXiv (Cornell University)|Jun 20, 2021

Smart Agriculture and AIAgricultural and Biological Sciences被引用 21

一句话总结

本文提出了一种基于计算机视觉和机器学习的自动化植物病害检测系统，在五种常见作物物种的20种不同病害中实现了93%的识别准确率。该方法结合了图像预处理、使用预训练卷积神经网络（CNN）进行迁移学习的特征提取，以及通过全连接层进行分类，为农业中的早期病害检测提供了一种可扩展的解决方案。

ABSTRACT

One of the important and tedious task in agricultural practices is the detection of the disease on crops. It requires huge time as well as skilled labor. This paper proposes a smart and efficient technique for detection of crop disease which uses computer vision and machine learning techniques. The proposed system is able to detect 20 different diseases of 5 common plants with 93% accuracy.

研究动机与目标

• 解决农业中人工植物病害检测耗时且劳动密集的问题。
• 开发一种基于数字图像的自动化、可扩展的作物病害早期检测系统。
• 利用机器学习技术实现对多种植物病害的高精度分类。
• 评估混合图像处理与深度学习流水线在多样化植物病害图像数据集上的性能。

提出的方法

• 该系统使用图像预处理技术（如调整大小、归一化和去噪）准备输入图像。
• 采用卷积神经网络（CNN）进行特征提取，利用VGG16或ResNet等预训练模型进行迁移学习。
• 在自定义的植物病害图像数据集上，应用迁移学习微调预训练的CNN。
• 在特征提取器之上添加全连接分类头，以执行多类别分类。
• 使用旋转、翻转和裁剪等数据增强技术，以提高模型泛化能力并防止过拟合。
• 使用标准深度学习框架，以交叉熵损失和Adam优化算法进行模型训练与验证。

实验结果

研究问题

• RQ1 基于深度学习的系统能否在从叶片图像中检测多种植物病害方面实现高准确率？
• RQ2 在数据量有限的情况下，使用预训练CNN的迁移学习在植物病害分类中的有效性如何？
• RQ3 图像预处理在多大程度上提升了病害检测流水线的性能？
• RQ4 该系统在不同植物物种和病害类型上的表现如何？

主要发现

• 所提出的系统在包含五种常见作物物种中20种不同植物病害的数据集上，实现了93%的分类准确率。
• 与从零开始训练相比，使用预训练CNN的迁移学习显著提高了模型收敛速度和性能。
• 图像预处理步骤（如调整大小和归一化）有助于保持一致的输入表示，提升了模型稳定性。
• 使用数据增强技术增强了模型的鲁棒性，并减少了训练集上的过拟合。