开发用于植物叶片病害分类的强预训练基座模型

植物、作物及其产量关乎我们的生存，但病虫害每年造成大量损失。因此，确保能够及早发现病害并进行处理，同时阻止其传播至关重要。传统方法需要人员手动走访田野目查病症，这既费时又费力，因此应用机器学习方法进行检测，已展现出前景。卷积神经网络模型尤为高效，能够自动从图像中提取特征，无需手动特征构建，再将特征输入到分类器中进行分类。数据集对最终模型性能影响巨大。尽管数据集在该领域至关重要，但目前公开的数据集与实际训练完全功能模型所需的数据之间仍存在差距。为克服这些不足，本论文识别了用于植物叶片病害分类的开放数据集，评估了可用于训练这些数据集的模型，并进行了广泛基准测试以确定其适用性。随后，基于这些发现以及数据增强适用性研究的结果，构建了一个新数据集，并训练了一个基于DenseNet201架构的新基座模型，该模型在该新数据集上超越了基线模型，也在植物叶片病害分类领域的特定迁移学习实验中表现更佳。这个新模型能够通过迁移学习更快、更稳健、更稳定地训练，且所需数据更少，克服了该领域仍然面临的许多问题。