增强RICAP:一种新的数据增强策略,用于改进基于深度学习的植物疾病识别和移动诊断
Mamadou Bailo Diallo1, Yue Li1,2, Okafor Sylevester Chukwuka1
1College of Information Sciences and Technology, Gansu Agricultural University, Lanzhou, China.
Frontiers in plant science
|October 10, 2025
概括
增强RICAP是一种新的数据增强方法,通过使用注意模块来减少标签噪声来提高植物疾病检测的准确性. 这种技术可以提高深度学习模型的性能,从而改善作物管理和粮食安全.
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:
- 植物病严重威胁全球粮食安全和农业生产力.
- 准确及时识别疾病对于有效的作物管理和最大限度地减少经济损失至关重要.
- 像RICAP这样的现有数据增强技术可以引入标签噪声,阻碍深度学习模型培训.
研究的目的:
- 介绍Enhanced-RICAP,这是一个先进的数据增强技术,用于提高植物疾病检测的深度学习模型准确性.
- 通过专注于歧视性图像区域,解决传统增强方法中标签噪声的限制.
- 提高植物疾病自动识别系统的稳定性和可靠性.
主要方法:
- 开发了Enhanced-RICAP,将随机补丁选择替换为以类激活地图为指导的注意模块.
- 专注于图像中的歧视性区域,以减少标签噪音.
- 评估了使用各种深度学习架构 (ResNet18,ResNet34,ResNet50,EfficientNet-b,Xception) 对麻和番茄叶病数据集的增强RICAP.
主要成果:
- 增强的RICAP在准确性,精度,回忆和F1得分方面始终超过现有的增强方法 (CutMix,MixUp,CutOut,隐藏和寻找,RICAP).
- 在番茄叶病数据集上,通过ResNet18+Enhanced-RICAP实现了99.86%的准确性.
- 使用Xception+Enhanced-RICAP实现了96.64%的准确性,用于分类四个木叶疾病类别.
结论:
- 增强的RICAP有效地减少了标签噪音,并提高了植物疾病检测的深度学习模型的准确性.
- 开发的模型 (ResNet18+Enhanced-RICAP) 在PlantDisease移动应用程序中部署,用于实时识别疾病.
- 这种方法支持可持续农业,并通过为农民提供可访问的诊断工具来加强粮食安全.
