[论文解读] Siamese Network-based Lightweight Framework for Tomato Leaf Disease Recognition

Selvarajah Thuseethan, Palanisamy Vigneshwaran+2 more|arXiv (Cornell University)|Sep 18, 2022

Smart Agriculture and AI被引用 8

一句话总结

该论文提出了一种基于孪生网络的轻量化框架，用于番茄叶片病害识别，在PlantVillage数据集上达到96.97%的准确率，在台湾数据集上达到95.48%的准确率，即使在小样本且类别不平衡的训练数据下也表现优异。通过采用仅含296万参数的新型轻量化主干网络和对比损失函数，该框架实现了在资源受限设备上的高精度、实时推理。

ABSTRACT

Automatic tomato disease recognition from leaf images is vital to avoid crop losses by applying control measures on time. Even though recent deep learning-based tomato disease recognition methods with classical training procedures showed promising recognition results, they demand large labelled data and involve expensive training. The traditional deep learning models proposed for tomato disease recognition also consume high memory and storage because of a high number of parameters. While lightweight networks overcome some of these issues to a certain extent, they continue to show low performance and struggle to handle imbalanced data. In this paper, a novel Siamese network-based lightweight framework is proposed for automatic tomato leaf disease recognition. This framework achieves the highest accuracy of 96.97% on the tomato subset obtained from the PlantVillage dataset and 95.48% on the Taiwan tomato leaf disease dataset. Experimental results further confirm that the proposed framework is effective with imbalanced and small data. The backbone deep network integrated with this framework is lightweight with approximately 2.9629 million trainable parameters, which is way lower than existing lightweight deep networks.

研究动机与目标

• 解决在训练数据量小且类别不平衡时番茄病害识别性能低下的挑战。
• 降低模型复杂度和计算成本，以实现移动端和边缘设备的部署。
• 克服现有轻量化网络在小样本和类别不平衡数据上性能不足的局限性。
• 提出一种基于多数投票的新型测试流程，以提升孪生网络推理中的识别准确率。
• 实现端到端可训练、高效且准确的番茄病害识别，适用于现实世界农业应用。

提出的方法

• 设计一种孪生网络架构，通过两个相同分支共享权重，用于比较成对的番茄叶片图像。
• 集成一种新型轻量化深度神经网络作为主干网络，仅包含296万2900个可训练参数。
• 使用对比损失函数进行训练，该函数最小化相似图像嵌入之间的欧氏距离，同时最大化不相似图像之间的距离。
• 应用数据增强和类别重平衡技术，以提升在类别不平衡数据集上的性能。
• 在测试阶段实施专用流程，通过多个图像对的多数投票机制提升预测置信度与准确率。
• 在三个基准数据集（PlantVillage、台湾、增强后的台湾）上评估框架，采用不同的数据划分比例（100%、75%、50%）。

实验结果

研究问题

• RQ1 基于孪生网络的框架是否能在小样本且类别不平衡的训练数据下实现高准确率的番茄病害识别？
• RQ2 所提出的轻量化主干网络在参数效率和性能方面与现有最先进网络相比如何？
• RQ3 对比损失函数与多数投票测试流程在识别准确率方面相较于标准训练与推理方式的提升程度如何？
• RQ4 该框架在计算资源有限的真实部署场景中表现如何？
• RQ5 在准确率、参数量和对数据稀缺的鲁棒性方面，该框架是否优于现有方法？

主要发现

• 所提出的框架在仅使用50%训练数据的情况下，于PlantVillage数据集上达到96.97%的准确率，在台湾数据集上达到95.48%的准确率。
• 在50%数据下，该框架在PlantVillage、台湾和增强后的台湾数据集上分别较最佳基线方法提升了13.16%、25.33%和14.05%的准确率。
• 主干网络仅包含296万2900个可训练参数，显著少于VGG19（1.4367亿）和MobileNetV2（350万），有利于高效部署。
• 该框架在所有数据划分比例下均优于现有方法，展现出对数据稀缺和类别不平衡的更强鲁棒性。
• 多数投票测试流程通过在多个图像对比较中稳定预测，显著提升了识别准确率。
• 在台湾数据集仅使用50%数据时，该框架达到91.03%的准确率，凸显其在低数据场景下的有效性，这对现实世界农业应用至关重要。