通过先进的培训技术,改善植物病理学的计算机视觉.

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:

• 卷积神经网络 (CNN) 对于可可 (Theobroma cacao) 的疾病检测至关重要.
• 最近在CNN图像分类准确度方面的进展已经停滞不前.
• 提高模型的通用性和稳定性对于现实世界农业疾病管理至关重要.

研究的目的:

• 调查高级培训技术,以提高CNN在可可病检测中的性能.
• 为了解决图像分类的计算机视觉准确度改善的停滞.
• 为农业应用开发更强大,更普遍的深度学习模型.

主要方法:

• 雇佣半监督学习以减少过度拟合和增强通用性.
• 引入了一个非可可类类,以使模型暴露在各种特征中,提高了强度.
• 开发并利用动态焦点损失,一种新的损失函数,根据经验难度对图像进行权重.
• 使用Grad-CAM进行对模型行为进行定性评估.

主要成果:

• 半监督学习显著改善了对微妙疾病症状的表现.
• 在具有挑战性的情况下,加入非可可类增加了模型的稳定性.
• 动态焦点损失为难以处理的图像提供了更好的处理.
• ResNet18与半监督学习和动态焦点损失相结合,在实际部署中表现最强.

结论:

• 半监督学习和高级损失函数在改善农业疾病管理中的深度学习方面具有重大潜力.
• 该研究引入了一套新的,高质量的基准数据集,包括7220张可可病检测图像,提出了一个更现实的挑战.
• 开发的方法为农业中更有效,更可靠的自动化疾病检测系统提供了途径.