人工智能辅助棉花分类:积极和半监督学习,以减少图像标签负担

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 机器学习 机器学习

背景情况:

• 在收获期间准确的作物质量评估对于确定市场价值和加工需求至关重要.
• 机器学习 (ML) 模型为作物分类提供了潜力,但高数据标签成本阻碍了它们的部署.
• 目前在农业中的ML应用面临着广泛的手动数据注释的挑战.

研究的目的:

• 评估半监督和主动学习在减少埃及棉花分类标签工作的有效性.
• 将主动学习的分类准确性和数据要求与监督和半监督学习进行比较.
• 评估积极学习对ML作物分类模型开发时间效率的影响.

主要方法:

• 使用监督,半监督和主动学习策略开发随机森林分类模型.
• 这些模型的应用用于分类埃及棉花毛样本.
• 对分类准确度,标记数据量减少和时间效率的定量分析.

主要成果:

• 与监督 (80.20-82.66%) 和半监督学习 (81.39-85.26%) 相比,积极学习模型的准确度更高 (82.85-85.33%).
• 积极学习将所需的标记数据量减少了高达46.4%.
• 使用主动学习方法,棉花毛样品的标签时间从422.5分钟减少到177.5分钟.

结论:

• 积极学习是一种非常有效的策略,可以最大限度地减少作物分类中的数据标签工作.
• 这种方法可以开发准确且时间效率高的ML模型用于农业质量评估.
• 积极学习是一个有希望的解决方案,可以克服在将ML应用于食品和工业作物的数据注释瓶.