[论文解读] The Power of Transfer Learning in Agricultural Applications: AgriNet

Zahraa Al Sahili, Mariette Awad|arXiv (Cornell University)|Jul 8, 2022

Smart Agriculture and AI被引用 4

一句话总结

本文介绍了AgriNet，一个包含160,000张图像的大型农业数据集，涵盖423种植物物种、病害、害虫和杂草，并提出了AgriNet模型——基于五种ImageNet架构预训练的迁移学习模型。AgriNet-VGG19模型在外部害虫和植物病害数据集上的准确率达到94%，F1分数达到92%，优于ImageNet模型，证明了在农业领域进行领域特定预训练的强大效果。

ABSTRACT

Advances in deep learning and transfer learning have paved the way for various automation classification tasks in agriculture, including plant diseases, pests, weeds, and plant species detection. However, agriculture automation still faces various challenges, such as the limited size of datasets and the absence of plant-domain-specific pretrained models. Domain specific pretrained models have shown state of art performance in various computer vision tasks including face recognition and medical imaging diagnosis. In this paper, we propose AgriNet dataset, a collection of 160k agricultural images from more than 19 geographical locations, several images captioning devices, and more than 423 classes of plant species and diseases. We also introduce AgriNet models, a set of pretrained models on five ImageNet architectures: VGG16, VGG19, Inception-v3, InceptionResNet-v2, and Xception. AgriNet-VGG19 achieved the highest classification accuracy of 94 % and the highest F1-score of 92%. Additionally, all proposed models were found to accurately classify the 423 classes of plant species, diseases, pests, and weeds with a minimum accuracy of 87% for the Inception-v3 model.Finally, experiments to evaluate of superiority of AgriNet models compared to ImageNet models were conducted on two external datasets: pest and plant diseases dataset from Bangladesh and a plant diseases dataset from Kashmir.

研究动机与目标

• 通过创建大规模、多样化的农业图像集合，解决农业计算机视觉中数据集有限且缺乏专业性的挑战。
• 通过在农业数据上微调的AgriNet模型，克服植物领域特定预训练模型的缺乏。
• 利用领域自适应模型进行迁移学习，提升植物物种、病害、害虫和杂草的分类性能。
• 在来自孟加拉国和克什米尔的真实农业数据集上，证明AgriNet模型优于标准ImageNet预训练模型的优越性。
• 通过提供公开可用、高质量的数据集和预训练模型，建立农业计算机视觉的基准。

提出的方法

• 从19个以上地理区域收集了160,000张图像，涵盖多种成像设备，构建了一个多样化的农业数据集。
• 对423个类别（包括植物物种、病害、害虫和杂草）的图像进行标注，确保对农业挑战的广泛覆盖。
• 在AgriNet数据集上对五种ImageNet架构（VGG16、VGG19、Inception-v3、InceptionResNet-v2和Xception）进行微调，创建领域特定的预训练模型。
• 使用标准迁移学习协议训练模型，将最终分类头调整为423类农业任务。
• 使用标准指标（准确率、F1分数和精确率-召回率）在多个外部数据集上评估模型性能。
• 在两个外部农业数据集上，对AgriNet模型与其ImageNet预训练对应模型进行对比实验。

实验结果

研究问题

• RQ1 在大规模农业数据集上进行领域特定预训练，是否能显著提升植物病害、害虫和物种的分类性能？
• RQ2 AgriNet模型在真实世界农业数据集上的表现与标准ImageNet预训练模型相比如何？
• RQ3 使用领域特定模型进行迁移学习时，在423个多样化农业类别中可达到的最低分类准确率是多少？
• RQ4 包含多个地理来源和成像设备的数据是否能提升农业应用中模型的泛化能力？
• RQ5 AgriNet模型能否在外部农业基准数据集上实现最先进性能？

主要发现

• AgriNet-VGG19在全部423个类别中实现了最高的分类准确率94%和最高的F1分数92%。
• 所有AgriNet模型在Inception-v3架构上均实现了最低87%的准确率，表明其具备强大的基线性能。
• AgriNet模型在两个外部数据集（一个来自孟加拉国，一个来自克什米尔）上显著优于其ImageNet预训练对应模型。
• AgriNet数据集在地理来源和成像设备上的多样性，有助于提升模型的鲁棒性和泛化能力。
• 使用AgriNet模型的迁移学习方法在所有评估类别中均带来了稳定的性能提升，包括罕见或代表性不足的类别。
• 结果证实，领域特定预训练对于在农业计算机视觉任务中实现最佳性能至关重要。