AgriMind：一种用于多类植物病害分类的集成深度学习框架
计算机视觉与模式识别
2026-05-18 v1 人工智能
摘要
在孟加拉国，植物病害检测仍主要依赖人工，推广人员需对数百万小农场的叶片样本进行目测检查。我们构建了 AgriMind 以实现自动化：这是一个由 ResNet50、EfficientNet-B0 和 DenseNet121 组成的集成模型，在包含 15 种辣椒、马铃薯和番茄病害类别的 20,638 张 PlantVillage 图像上进行了训练。采用冻结 ImageNet 骨干网络并仅训练头部 10 个周期的迁移学习方法，使流程保持轻量级。单个模型在留出测试集上达到了 96-97% 的准确率，但对其 softmax 输出进行平均后，集成模型的准确率提升至 99.23%——错误率降低了三分之二。我们曾尝试将平均值偏向验证效果最佳的模型，但结果适得其反。舍弃任何单一模型也会损害性能。辣椒和马铃薯的分类完全正确；而包含十个视觉相似类别的番茄，其准确率仍达到 99.01%。在 NVIDIA T4 GPU 上，整个集成模型的运行速度为 53 FPS。这是否能转化为实时移动端应用，取决于 TensorFlow Lite 的优化——这项工作我们尚未完成。
引用
@article{arxiv.2605.16076,
title = {AgriMind: An Ensemble Deep Learning Framework for Multi-Class Plant Disease Classification},
author = {Salma Hoque Talukdar Koli and Fahima Haque Talukder Jely},
journal= {arXiv preprint arXiv:2605.16076},
year = {2026}
}