面向咖啡叶病害分类的数据增强技术评估
计算机视觉与模式识别
2024-01-12 v1
摘要
罗布斯塔咖啡叶病害的检测与分类对于确保植株健康和保持作物高产至关重要。然而，这项工作需要大量的植物学知识并耗费大量时间。因此，该任务及类似任务已成为图像分类领域广泛研究的课题。关于叶部病害分类，大多数方法使用更流行的 PlantVillage 数据集，而完全忽略了其他数据集，如罗布斯塔咖啡叶（RoCoLe）数据集。由于 RoCoLe 数据集不平衡且样本量不大，需要使用预训练模型的微调和多种增强技术。本文使用 RoCoLe 数据集和基于深度学习的方法对咖啡叶病害图像进行分类，结合了用于分割的 pix2pix 模型和用于增强的循环生成对抗网络（CycleGAN）。我们的研究证明了基于 Transformer 的模型、在线增强和 CycleGAN 增强在改进叶部病害分类方面的有效性。虽然合成数据有局限性，但它补充了真实数据，提升了模型性能。这些发现有助于开发鲁棒的植物病害检测与分类技术。
引用
@article{arxiv.2401.05768,
title = {Evaluating Data Augmentation Techniques for Coffee Leaf Disease Classification},
author = {Adrian Gheorghiu and Iulian-Marius Tăiatu and Dumitru-Clementin Cercel and Iuliana Marin and Florin Pop},
journal= {arXiv preprint arXiv:2401.05768},
year = {2024}
}
备注
Accepted by ICAART 2024