基于低分辨率图像训练的卷积神经网络用于咖啡叶锈病早期检测
计算机视觉与模式识别
2024-07-23 v1 机器学习
摘要
咖啡叶锈病是由真菌 Hemileia vastatrix 引起的叶部疾病，对中美洲地区的咖啡生产构成重大威胁。气候变化进一步加剧了这一问题，因为它缩短了像锈病这样的疾病从初始感染到可见症状出现的潜伏期。缩短的潜伏期可能导致更严重的植物流行病和疾病更快的传播。因此，迫切需要有效的疾病管理策略。为此，我们探讨了深度学习模型用于提升早期疾病检测的潜力。然而，深度学习模型需要大量计算资源和数据进行训练，而这些资源在资源有限的环境中通常稀缺。为克服这些障碍，我们提出一种预处理技术，通过与高通滤波器卷积训练图像来增强病灶与叶片的对比度，显著提高了资源受限环境中模型的有效性。该方法及我们的模型在所有评估指标上（包括精度、召回率、F1 分数和 Dice 系数）均实现了 90% 以上的表现。我们的实验表明，这种方法优于其他方法，包括两种不同的图像预处理技术以及使用未经处理的彩色图像。
引用
@article{arxiv.2407.14737,
title = {Early Detection of Coffee Leaf Rust Through Convolutional Neural Networks Trained on Low-Resolution Images},
author = {Angelly Cabrera and Kleanthis Avramidis and Shrikanth Narayanan},
journal= {arXiv preprint arXiv:2407.14737},
year = {2024}
}