基于图像的作物疾病检测与联合学习
Denis Mamba Kabala1, Adel Hafiane2, Laurent Bobelin3
1INSA CVL, University of Orleans, PRISME Laboratory EA 4229, 88 Boulevard Lahitolle, 18000, Bourges, France. denis.mamba_kabala@insa-cvl.fr.
Scientific reports
|November 6, 2023
概括
联合学习通过图像分析提高了作物疾病分类的准确性. 在这种联合学习方法中,ResNet50模型的性能优于Vision Transformers.
科学领域:
- 农业技术 农业技术
- 计算机科学 计算机科学
- 机器学习 机器学习
背景情况:
- 自动检测作物疾病对农业生产力和可持续性至关重要.
- 集中式机器学习模型面临着数据隐私,可用性和传输成本方面的挑战.
- 联合学习为这些挑战提供了分散的解决方案.
研究的目的:
- 通过图像分析,探索联合学习对作物疾病分类的有效性.
- 将卷积神经网络 (CNN) 和视觉转换器 (ViT) 模型在联合学习框架中的性能进行比较.
- 确定作物疾病分类的最佳模型架构和联合学习参数.
主要方法:
- 利用联合学习在PlantVillage开放访问图像数据集上训练CNN (ResNet50) 和ViT模型.
- 研究了不同数量的学习者,交流轮和本地代对模型性能的影响.
- 分析了与不同模型架构相关的计算时间和通信成本.
主要成果:
- 联合学习模型的性能对学习者数量,通信轮次,本地代和数据质量都很敏感.
- 在联合学习场景中,ResNet50在CNN模型中表现优越.
- 视觉转换器 (ViT_B16,ViT_B32) 的计算时间较长,因此不太适合联合学习.
结论:
- 联合学习是去中心化作物疾病分类的可行和有效方法.
- 由于其性能和效率,ResNet50是一个非常适合在作物疾病检测中进行联合学习的模型.
- 需要进一步的研究来优化联合学习策略,以加强作物疾病管理.
