少即是多：更轻量更快的番茄叶片病害分类深度神经架构
计算机视觉与模式识别
2022-07-05 v2 机器学习
摘要
为保障全球粮食安全与利益相关者的整体收益，正确检测与分类植物病害至关重要。在此背景下，基于深度学习的图像分类涌现了大量解决方案。然而，这些方案在低端设备上的适用性需要快速、准确且计算开销小的系统。本工作提出一种基于轻量迁移学习的方法，用于检测番茄叶片病害。其采用一种有效的预处理方法，通过光照校正增强叶片图像以改善分类。我们的系统使用由预训练 MobileNetV2 架构与分类器网络组成的联合模型提取特征，以实现有效预测。传统增强方法被运行时增强取代，以避免数据泄漏并解决类别不平衡问题。在 PlantVillage 数据集的番茄叶片图像上的评估表明，所提架构以 9.60MB 的模型大小和 4.87M 浮点运算量达到 99.30% 的准确率，使其成为低端设备实际应用的合适选择。我们的代码与模型见于 https://github.com/redwankarimsony/project-tomato。
引用
@article{arxiv.2109.02394,
title = {Less is More: Lighter and Faster Deep Neural Architecture for Tomato Leaf Disease Classification},
author = {Sabbir Ahmed and Md. Bakhtiar Hasan and Tasnim Ahmed and Redwan Karim Sony and Md. Hasanul Kabir},
journal= {arXiv preprint arXiv:2109.02394},
year = {2022}
}
备注
18 pages, 13 figures, 5 tables, Accepted in IEEE Access