基于图像的番茄与玉米叶片病害检测：深度对比实验
摘要
本研究提出了一种基于卷积神经网络 (CNN) 的植物病害检测新模型用于植物图像分类，对图像分类领域做出了重要贡献。该创新的训练方法实现了系统实现的精简与高效。该模型将两种不同的植物病害分为四类，提出了一种植物病害识别的新技术。在实验1中，采用 Inception-V3、Dense-Net-121、ResNet-101-V2 和 Xception 模型进行 CNN 训练。新构建的植物病害图像数据集包含来自 PlantVillage 数据集的 1963 张番茄图像和 7316 张玉米图像。其中，1374 张番茄图像和 5121 张玉米图像用于训练，589 张番茄图像和 2195 张玉米图像用于测试/验证。结果表明，Xception 模型优于其他三个模型，在番茄和玉米数据集上的 val_accuracy 分别为 95.08% 和 92.21%，对应的 val_loss 分别为 0.3108 和 0.4204。在实验2中，带批归一化的 CNN 在训练集上达到了约 99.89% 的病害检测率，val_accuracy 超过 97.52%，val_loss 为 0.103。实验3采用 CNN 架构作为基础模型，在模型2中引入了额外层，在模型3中引入了跳跃连接，在模型4中引入了正则化。详细的实验结果和模型效率在论文第 1.5 节中概述。实验4将所有玉米和番茄图像合并，利用多种模型进行测试，包括 MobileNet (val_accuracy=86.73%)、EfficientNetB0 (val_accuracy=93.973%)、Xception (val_accuracy=74.91%)、InceptionResNetV2 (val_accuracy=31.03%) 和 CNN (59.79%)。此外，我们提出的模型达到了 84.42% 的 val_accuracy。
引用
@article{arxiv.2312.08659,
title = {On the Image-Based Detection of Tomato and Corn leaves Diseases : An in-depth comparative experiments},
author = {Affan Yasin and Rubia Fatima},
journal= {arXiv preprint arXiv:2312.08659},
year = {2023}
}