面向移动应用的米粒病害图像分类 CNN 算法增强
计算机视觉与模式识别
2025-02-18 v2 人工智能
摘要
本研究聚焦于增强传统依赖于卷积神经网络 (CNN) 模型的米粒病害图像分类算法。我们采用使用 ImageNet-1k 权重的 MobileViTV2_050 进行迁移学习，这是一种轻量级模型，通过可分离自注意力机制将 CNN 的局部特征提取与 Vision Transformer 的全局上下文学习相结合。我们的做法导致 MobileViTV2_050-A（我们第一个在基准数据集上训练的增强模型）的分类准确率提高了 15.66%，达到 93.14%。此外，在更广泛的米粒数据集上训练的 MobileViTV2_050-B 第二个增强模型提高了 22.12%，达到 99.6% 测试准确率。此外，MobileViTV2-A 在四个米粒标签上达到了 93% 的 F1 分数，其受体者操作特征曲线 (ROC) 从 87% 到 97%。在资源消耗方面，我们的增强模型将基准 CNN 模型的总参数数最多降低了 92.50%，从 1400 万降至 110 万。这些结果表明，MobileViTV2_050 不仅通过其可分离自注意力机制提高了计算效率，还增强了全局上下文学习。因此，它提供了一个轻量且稳健的解决方案，适用于移动部署，推动了模型在精密农业中的可解释性和实用性。
关键词
引用
@article{arxiv.2412.07182,
title = {An Enhancement of CNN Algorithm for Rice Leaf Disease Image Classification in Mobile Applications},
author = {Kayne Uriel K. Rodrigo and Jerriane Hillary Heart S. Marcial and Samuel C. Brillo and Khatalyn E. Mata and Jonathan C. Morano},
journal= {arXiv preprint arXiv:2412.07182},
year = {2025}
}
备注
Presented at 46th World Conference on Applied Science, Engineering & Technology (WCASET) from Institute for Educational Research and Publication (IFERP)