转移学习在太阳花病检测中的应用:进展,挑战和未来方向
1Department of Management Information Systems, College of Business Administration, King Faisal University, Al-Ahsa, Saudi Arabia.
Turkish journal of biology = Turk biyoloji dergisi
|November 17, 2025
概括
转移学习 (TL) 使用深度学习模型有效检测向日病,但数据多样性和可解释性有限等挑战仍然存在. 未来的研究应该专注于更大的数据集和可解释的模型,用于现实世界的应用.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 植物病理学 植物病理学
背景情况:
- 太阳花 (Helianthus annuus) 在经济和营养上至关重要,但由于叶子疾病而面临重大产量损失.
- 传统的疾病检测方法受主观性,成本和可扩展性限制.
- 转移学习 (TL) 提供了一个有希望的解决方案,通过重复使用预训练的植物病理学深度模型.
研究的目的:
- 系统地审查最近基于TL的关于向日病症分类的研究.
- 确定当前的趋势,研究缺口和该领域的未来机会.
主要方法:
- 一个结构化的Scopus查询检索了关于TL的同行评审文章 (2021-2025),用于检测向日病.
- 根据模型架构,数据集,预处理和评估指标分析了30项相关研究.
- 对比评估包括卷积神经网络 (CNN),变压器和混合模型.
主要成果:
- 预先训练有素的CNN (ResNet,VGG,Inception,EfficientNet) 在TL应用中占主导地位.
- 轻量级和联合学习变体越来越多地用于现场部署.
- 关键的挑战包括有限的数据集多样性,阶级不平衡和缺乏解释性.
结论:
- 在太阳花病诊断的TL显著进展是显而易见的.
- 需要更大,标准化的数据集和跨区域验证至关重要.
- 未来的研究应该专注于可解释的,适应的架构,用于现实世界农业环境.
