基于多任务蒸学习的番茄叶病识别.
Bo Liu1,2, Shusen Wei1,2, Fan Zhang1,2
1College of Information Science and Technology, Hebei Agricultural University, Baoding, China.
Frontiers in plant science
|February 14, 2024
概括
这项研究引入了一种新的多任务蒸学习 (MTDL) 框架,用于准确诊断番茄叶病. MTDL方法提高了分类和严重性预测,同时大大降低了智能农业的模型复杂性.
科学领域:
- 农业科学 农业科学
- 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 番茄叶病显著影响作物产量和质量.
- 使用计算机视觉的自动疾病识别面临各种症状,有限的数据和复杂的模型等挑战.
研究的目的:
- 开发一种新的多任务蒸学习 (MTDL) 框架,用于全面诊断番茄叶病.
- 在疾病分类和严重程度预测任务之间有效地利用共享和独特的知识.
主要方法:
- 实施了多任务蒸学习 (MTDL) 框架.
- 在多个阶段的战略中使用知识解,相互学习和知识整合.
- 使用了一个MTDL优化的EfficientNet模型.
主要成果:
- 与单任务模型相比,MTDL框架在分类准确性和严重性估计方面都提高了性能.
- 经MTDL优化的EfficientNet表现出卓越的性能,模型复杂性显著降低 (与ResNet101相比,参数的9.46%).
- 实现了0.68%更高的分类准确度和1.52%更高的严重程度估计准确度.
结论:
- 拟议的MTDL框架为智能农业提供了实用和高效的解决方案.
- 这种方法有效地解决了自动识别番茄叶病的挑战.


