基于背景移除的数据增强技术用于苹果叶病害分类——采用 MobileNetV2 模型
计算机视觉与模式识别
2024-12-04 v1
摘要
深度学习技术推动了计算机视觉领域的进步，越来越多地被应用于精密农业，以自动化检测和分类植物病害。植物病害的症状往往在叶片上表现出来。现有数据集中的叶片图像要么是在受控条件下收集，要么是在田间收集。大多数以实验室环境下拍摄的图像进行叶病识别的研究取得了高性能，而面向田间图像的检测与分类方法通常表现较差。本研究旨在评估一种数据增强方法的影响，即从叶片图像中移除复杂背景，以提高苹果叶病在真实世界条件下图像分类的性能。为实现此目标，我们对轻量级预训练 MobileNetV2 深度学习模型进行微调，并用于评估通过添加背景移除图像扩展训练数据集对分类性能的影响。实验结果表明，这种数据增强策略显著提升了分类准确率。具体而言，使用 Adam 优化器，本方法在 Plant Pathology 数据集上实现了 98.71% 的分类准确率，约提高了 3%，并超越了当前最先进的方法。这表明背景移除作为数据增强技术对于提高实际条件下疾病分类模型的鲁棒性是有效的。
关键词
引用
@article{arxiv.2412.01854,
title = {Data Augmentation through Background Removal for Apple Leaf Disease Classification Using the MobileNetV2 Model},
author = {Youcef Ferdi},
journal= {arXiv preprint arXiv:2412.01854},
year = {2024}
}