AgriPath：面向作物病害分类的架构权衡系统化探索
计算机视觉与模式识别
2026-04-09 v3 机器学习
摘要
可靠的作物病害检测需要模型在不同获取条件下保持稳健性能，但现有评估往往聚焦于单一架构家族或实验室生成的数据集。本文提出了一套系统性经验比较框架，评估三种模型范式在细粒度作物病害分类中的表现：卷积神经网络（CNN）、对比式视觉语言模型（VLM）和生成式VLM。为实现对领域效应的可控分析，我们引入AgriPath-LF16基准数据集，包含11.1万张覆盖16种作物和41种病害的图像，实验室与野场图像具有明确分离，并配备3万张平衡子集用于标准化训练与评估。我们在统一的评估协议下，对全量、实验室专用和野场专用训练 regimes 下的所有模型进行训练与评估，采用宏平均F1分数和解析成功率（PSR）以衡量综合表现（PSR衡量输出可解析性）。结果揭示了不同模型的性能特征：CNN在同域图像上达到最高准确率，但在领域迁移时表现显著下降；对比式VLM提供了鲁棒且参数高效的替代方案，交叉域性能竞争力强；生成式VLM在分布式变动上展现最强韧性，尽管也伴随额外的失效模式。这些发现表明，架构选择应依据部署场景而非综合绩效来决定。
引用
@article{arxiv.2603.13354,
title = {AgriPath: A Systematic Exploration of Architectural Trade-offs for Crop Disease Classification},
author = {Hamza Mooraj and George Pantazopoulos and Alessandro Suglia},
journal= {arXiv preprint arXiv:2603.13354},
year = {2026}
}
备注
11 pages main text, 24 pages total including references and appendix. 6 figures, 14 tables. Code and dataset will be released upon publication