用于植物病害分类的CLAP卷积轻量化自编码器
计算机视觉与模式识别
2026-02-24 v1
摘要
卷积神经网络在利用叶片图像实现区分植物病害、严重程度分级和营养缺失预测方面取得了显著进展。然而，这些任务在现实中的原位场条件下变得更加具有挑战性。通常情况下，传统机器学习模型由于叶片子类的细微差异，难以捕获和解释植物健康状况、生长和疾病的判别特征。一些深度学习方法使用额外的预处理阶段或网络模块来解决此问题，而另一些方法则利用预训练的 backbone CNN，这些方法大多计算密集。因此，为了应对这一挑战，我们提出一种轻量化自编码器，其编码器解码器模块中使用深度可分离卷积层。应用 sigmoid 门控以细化编码器特征判别能力，并通过解码器进一步提升其性能。最后，在分类之前，将编码器解码器的特征图组合，以获得丰富的特征表示。我们提出的用于植物病害分类的卷积轻量化自编码器（称为 CLAP），在由 cassava、tomato、maize、groundnut、grapes 等组成的三个公开植物数据集上进行实验，以确定植物健康状况。CLAP 在 Integrated Plant Disease、Groundnut 和 CCMT 数据集上取得了改进或竞争的准确率，在性能和计算成本之间之间取得了良好平衡，仅需 500 万参数。训练时间为 20 毫秒，推理时间为每张图像 1 毫秒。
引用
@article{arxiv.2602.18833,
title = {CLAP Convolutional Lightweight Autoencoder for Plant Disease Classification},
author = {Asish Bera and Subhajit Roy and Sudiptendu Banerjee},
journal= {arXiv preprint arXiv:2602.18833},
year = {2026}
}