基于迁移学习与集成方法提升可可果实病害分类：面向稳健预测建模
计算机视觉与模式识别
2025-04-18 v1
摘要
本研究提出一种基于集成的方法，用于可可果实病害分类，将迁移学习与三种集成学习策略（装袋 Bagging、提升 Boosting 和堆叠 Stacking）相结合。使用预训练的卷积神经网络（包括 VGG16、VGG19、ResNet50、ResNet101、InceptionV3 和 Xception）进行微调，作为基学习器用于检测三类病害：黑胞腐烂、果实螟蛀和健康。构建了包含 6000 张可可果实图像的平衡数据集，并进行数据增强，以确保对光照、姿态和病害严重程度的变化具有鲁棒性。评估每种集成方法的性能，采用准确率、精确率、召回率和 F1 分数。实验结果表明，装袋方法在分类性能上始终优于提升（97%）和堆叠（92%），达到测试准确率 100%。这些发现确认，将迁移学习与集成技术相结合可提高模型的泛化能力和可靠性，为精密农业和自动化作物病害管理提供了具有前景的方向。
引用
@article{arxiv.2504.12992,
title = {Enhancing Cocoa Pod Disease Classification via Transfer Learning and Ensemble Methods: Toward Robust Predictive Modeling},
author = {Devina Anduyan and Nyza Cabillo and Navy Gultiano and Mark Phil Pacot},
journal= {arXiv preprint arXiv:2504.12992},
year = {2025}
}