IndoHerb：基于迁移学习与深度学习的印度尼西亚药用植物识别
计算机视觉与模式识别
2024-06-11 v2
摘要
印度尼西亚丰富的草本植物多样性作为传统疗愈与民族植物学实践的替代资源具有巨大潜力。然而，由于现代化导致的草本植物认知度下降，对保护这一宝贵遗产构成了重大挑战。这些植物的准确识别对于传统实践的延续及其营养价值的利用至关重要。尽管如此，草本植物的手动识别仍是一项耗时任务，需要专家知识和对植物特征的细致检查。为此，计算机视觉的应用成为促进草本植物高效识别的有前景方案。本研究通过实现卷积神经网络（CNN）的迁移学习来解决印度尼西亚草本植物分类任务。为支持研究，我们精心策划了一个经过仔细人工筛选的印度尼西亚草本植物图像大型数据集。随后，我们进行了严格的数据预处理，并利用五种不同模型（ResNet、DenseNet、VGG、ConvNeXt 和 Swin Transformer）的迁移学习方法进行分类。我们的综合分析显示 ConvNeXt 取得了最高准确率，高达 92.5%。此外，我们使用从头训练的模型进行测试，准确率为 53.9%。实验设置包含关键超参数：gamma 值为 0.9 的 ExponentialLR 调度器、0.001 的学习率、交叉熵损失函数、Adam 优化器以及 50 个训练轮次。本研究结果为印度尼西亚药用植物的自动化识别提供了有价值的见解与实际意义。
引用
@article{arxiv.2308.01604,
title = {IndoHerb: Indonesia Medicinal Plants Recognition using Transfer Learning and Deep Learning},
author = {Muhammad Salman Ikrar Musyaffa and Novanto Yudistira and Muhammad Arif Rahman and Jati Batoro},
journal= {arXiv preprint arXiv:2308.01604},
year = {2024}
}
备注
34 pages, 27 figures