赋能农业洞察：RiceLeafBD -- 基于迁移学习技术的稻叶病诊断新型数据集与最优模型选择
计算机视觉与模式识别
2025-01-17 v1
摘要
我国人口日益增长，所处于绿意盎然的环境中，导致可耕地、住宅区和工业厂房不断减少。食品危机正成为未来主要威胁。由于人口增长而作物产量下降，加之病害侵扰，导致粮食生产受威胁。稻作是全球超过半数人口的食物来源， Bangladesh 高度依赖稻作（Oryza sativa）作为农业主导作物，但因病害导致产量下降面临严峻挑战。稻作病害早期诊断是农业 cultivation 中的关键难题。本文提出自建数据集，数据来源于 Bangladesh 农田，并应用深度学习与迁移学习模型进行评估。我们详细阐述数据集构建方法，并为后续研究提供方向，以服务社会。我们应用轻量级 CNN 模型以及预训练的 InceptionNet-V2、EfficientNet-V2 和 MobileNet-V2 模型，其中 EfficientNet-V2 模型实现了 91.5% 的性能，结果甚至超过了被认为是最先进方法的其他模型。本研究表明，利用该无偏数据集可精准、有效地识别影响稻叶的疾病。通过分析不同模型的性能，本文提出的数据集对降低稻叶病害具有重要社会价值。
引用
@article{arxiv.2501.08912,
title = {Empowering Agricultural Insights: RiceLeafBD -- A Novel Dataset and Optimal Model Selection for Rice Leaf Disease Diagnosis through Transfer Learning Technique},
author = {Sadia Afrin Rimi and Md. Jalal Uddin Chowdhury and Rifat Abdullah and Iftekhar Ahmed and Mahrima Akter Mim and Mohammad Shoaib Rahman},
journal= {arXiv preprint arXiv:2501.08912},
year = {2025}
}