从代码到场：评估番石榴叶片疾病诊断中卷积神经网络的鲁棒性
机器学习
2025-12-16 v1 人工智能
计算机视觉与模式识别
摘要
通过鲁棒性评估来验证和验证人工智能（AI）模型是确保智能系统在面对现实挑战（如包括噪声、模糊和天气变化在内的图像损坏）时可靠性能的关键。尽管番石榴（Mangifera indica L.）具有全球重要性，但针对其叶片疾病诊断模型鲁棒性的研究仍不足。本文提出了一种方法，用于评估卷积神经网络（CNN）在恶劣条件下的表现。我们改编了 MangoLeafDB 数据集，生成了 MangoLeafDB-C，其中包含 19 种人工损坏类型，每个损坏类型有 5 个严重程度等级。我们对比评估了 5 种网络结构：ResNet-50、ResNet-101、VGG-16、Xception 和 LCNN（后者是为番石榴叶片诊断专门设计的轻量级网络）。评估指标包括 F1 分数、损坏误差（CE）和相对平均损坏误差（relative mCE）。结果表明，LCNN 在可出现于现实场景的损坏（如 Defocus Blur、Motion Blur）中表现最佳，同时实现了最低的 mCE。现代网络结构（如 ResNet-101）在受损坏场景中表现显著下降，尽管在理想条件下的准确率很高。这些发现表明，轻量级且专门化的模型可能更适用于边缘设备的实际应用场景，在这些场景中，鲁棒性和效率至关重要。该研究突显了在技术受限地区开发智能农业系统时，必须纳入鲁棒性评估的必要性。
引用
@article{arxiv.2512.13641,
title = {From Code to Field: Evaluating the Robustness of Convolutional Neural Networks for Disease Diagnosis in Mango Leaves},
author = {Gabriel Vitorino de Andrade and Saulo Roberto dos Santos and Itallo Patrick Castro Alves da Silva and Emanuel Adler Medeiros Pereira and Erick de Andrade Barboza},
journal= {arXiv preprint arXiv:2512.13641},
year = {2025}
}
备注
This work was presented at the BRACIS 2025 conference in Fortaleza