基于多输出深度监督分类链的植物病害分类器
计算机视觉与模式识别
2025-07-29 v1
摘要
植物叶片病害分类是智能农业中的重要任务，在可持续生产中发挥着关键作用。现代机器学习方法在该分类任务中展现出前所未有的潜力，提供了包括节省时间和降低成本在内的多项优势。然而，大多数近期方法直接采用卷积神经网络，未充分研究植物种类与病害类型之间的关系对预测性能的影响。本研究提出了一种新模型，称为多输出深度监督分类链（Mo-DsCC），通过链式连接两个标签的输出层来整合植物种类和病害的预测。Mo-DsCC由三个组成部分构成：作为骨干网络的修改版 VGG-16 网络、深度监督训练以及分类链的堆叠结构。为评估该模型的优势，我们在两个基准数据集 Plant Village 和 PlantDoc 上进行大量实验。与近期方法（包括多模型、多标签（Power-set）、多输出和多任务）进行比较后，结果表明 Mo-DsCC 在准确率和 F1 分数方面均取得更好的表现。本文的实证研究表明，Mo-DsCC 的应用可能是智能农业的一个有用拼图，有助于惠及农场并为学术界和工业界带来新的想法。
引用
@article{arxiv.2507.20125,
title = {Multi-output Deep-Supervised Classifier Chains for Plant Pathology},
author = {Jianping Yao and Son N. Tran},
journal= {arXiv preprint arXiv:2507.20125},
year = {2025}
}