深度学习时代的植物疾病识别数据集:挑战和机遇
Mingle Xu1, Ji-Eun Park1, Jaehwan Lee1
1Department of Electronic Engineering, Core Research Institute of Intelligent Robots, Jeonbuk National University, Jeonju, Republic of Korea.
Frontiers in plant science
|October 14, 2024
概括
目前用于植物疾病识别的深度学习模型在现实场景中表现不佳,原因是数据集不反映现实. 这项研究提出了数据集特征,以改进现实世界的应用.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 人工智能的人工智能
背景情况:
- 深度学习在植物疾病识别方面表现有前途.
- 目前的模型在现实应用中扎,尽管在特定数据集上表现良好.
- 现有的数据集往往无法反映现实现场条件.
研究的目的:
- 为了弥补深度学习性能和现实世界植物疾病识别之间的差距.
- 定义理想植物疾病数据集的特征.
- 引导创建用于实际应用的数据集.
主要方法:
- 为描述植物疾病数据集而开发了一种分类学.
- 该研究跨越了植物病理学和深度学习领域.
- 建议创建未来数据集的方向,包括面向挑战的数据集.
主要成果:
- 目前植物疾病识别数据集的确定的局限性.
- 提出了一个评估和创建更现实的数据集的框架.
- 强调了跨学科合作的必要性.
结论:
- 改进的数据集对于在现实世界植物疾病识别中部署深度学习至关重要.
- 未来的数据集应该在考虑现实世界的场景和挑战的情况下设计.
- 拟议的分类学和指导方针旨在推进农业中的实际人工智能应用.
