对比研究：广角图像实际植物诊断的固有困难
计算机视觉与模式识别
2019-11-25 v2
摘要
从广角图像（即使用固定位置相机、包含多片叶片的田间图像）进行实用的自动化植物病害检测与诊断，鉴于保障全球粮食安全的需要，是大规模农场管理中一项非常重要的应用。然而，开发自动化病害诊断系统通常十分困难，因为从实际田间图像标注可靠的广角病害数据集极为费力。此外，训练与测试数据间的潜在相似性导致严重的模型过拟合问题。本文中，我们考察了将病害诊断系统应用于涉及真实农场采集的广角黄瓜测试数据的不同场景时的性能变化，并提出了一种有效的诊断策略。我们表明，SSD 与 Faster R-CNN 等领先的目标识别技术仅对与训练数据同分布的测试数据集取得优异的端到端病害诊断性能（确诊病害的 F1 值为 81.5%–84.1%），而对完全不同的测试数据集性能显著恶化（F1 值为 4.4–6.2%）。相比之下，我们提出的采用独立叶片检测与叶片诊断阶段的两阶段系统，在未见目标数据集上取得了超过端到端系统六倍以上的可观病害诊断性能（F1 值为 33.4%–38.9%）。我们还通过视觉评估确认了所提方法的有效性，得出结论：两阶段模型是实际应用的合适且合理选择。
引用
@article{arxiv.1910.11506,
title = {A comparable study: Intrinsic difficulties of practical plant diagnosis from wide-angle images},
author = {Katsumasa Suwa and Quan Huu Cap and Ryunosuke Kotani and Hiroyuki Uga and Satoshi Kagiwada and Hitoshi Iyatomi},
journal= {arXiv preprint arXiv:1910.11506},
year = {2019}
}
备注
7 pages, 3 figures