对CNN和变压器架构进行比较评估,以对Tilia cordata的开花阶段进行分类. 具有自动图像质量过的自动化图像质量过
Bogdan Arct1, Bartosz Świderski1, Monika A Różańska2
1Department of Artificial Intelligence, Institute of Information Technology, Warsaw University of Life Sciences, Nowoursynowska 159, 02-776 Warsaw, Poland.
Sensors (Basel, Switzerland)
|September 13, 2025
概括
这项研究评估了使用Tilia cordata图像进行自动化树木开花阶段分类的深度学习模型. 卷积神经网络 (CNN) 和变压器实现了高精度,ResNet50和ConvNeXt Tiny表现最好.
科学领域:
- 生态监测和气候变化研究.
- 计算机视觉在植物现象学中的应用.
背景情况:
- 现象相监测对于生态研究和气候变化研究至关重要.
- 树木开花阶段的自动分类需要强大的图像分析.
研究的目的:
- 综合评估最先进的卷积神经网络 (CNN) 和变压器架构,用于Tilia cordata的自动化花期分类.
- 为实地图像引入和验证一种新的自动化图像质量过方法.
- 提供一个系统的基准,比较CNN和变压器用于现象相位识别.
主要方法:
- 利用了大量现实世界Tilia cordata图像的数据集.
- 使用XGBoost分类器实现了一个自动化图像质量过阶段.
- 通过交叉验证对七个深度学习架构进行了微调和评估 (VGG16,ResNet50,EfficientNetB3,MobileNetV3 Large,ConvNeXt Tiny,ViT-B/16,Swin Transformer Tiny).
- 使用F1分数和平衡精度评估模型性能.
主要成果:
- 所有评估的模型都取得了出色的性能,F1分数超过0.97和平衡精度高达0.993.
- ResNet50和ConvNeXt Tiny实现了最高的性能 (F1得分> 0.986,平衡精度> 0.992).
- 与变压器模型相比,经典的CNN显示出略高的强度,所有架构都显示出高度的概括性.
结论:
- 综合质量评估和分类管道使得可扩展的,高通量监测的开花阶段.
- 拟议的方法可适应监测其他植物物种和地点,支持生态和气候研究.
- 这项工作为植物现象学中的深度学习应用提供了有价值的基准.
