深度识别病图像:我们真正需要多少培训样本?
Huiru Zhou1, Dong Huang2, Bo Ming Wu3
1College of Plant Protection, South China Agricultural University, Guangzhou, China.
Journal of the science of food and agriculture
|June 15, 2024
概括
对大米病的图像识别数据集大小的增加最初会迅速提高准确性. 超过一定的点,进一步的数据增加了收益率,收益率下降,为模型开发提供了科学基础.
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:
- 病图像识别的深度学习是一个不断增长的领域.
- 以前的研究还没有系统地分析数据集大小对模型准确性的影响.
- 开发了一个功能模型来预测数据集大小和识别精度之间的关系.
研究的目的:
- 调查不同数据集大小对病图像识别模型准确度的影响.
- 建立一个数据集大小和识别精度之间的关系的预测模型.
- 为优化农业图像分析中的数据集构建提供见解.
主要方法:
- 训练了VGG16深度学习模型,使用不同数量的病和健康的叶子图像.
- 应用了指数模型,使测试准确度与数据集大小相匹配.
- 评估了数据集组成变化的影响,包括疾病类,类数和数据增强.
主要成果:
- VGG16模型的测试准确性与数据集大小有很强的相关性,符合指数模型 (A = 0.9965 - e^(-0.0603*I50-1.6693)).
- 随着图像数量的初始增加,识别精度迅速增加.
- 超过一个特定的门,图像数量的进一步增加导致精度改进的减少.
结论:
- 数据集的大小显著影响了米病图像识别的准确性.
- 在某个数据数量值之后,观察到准确度的回报率下降.
- 这些发现为数据库建设和农业疾病识别模型开发提供了科学基础.
