PhytNet——面向定制植物学数据的专用卷积神经网络
计算机视觉与模式识别
2024-10-23 v1 人工智能
摘要
利用计算机视觉实现病害、杂草与作物的自动分类将在农业未来中发挥巨大价值。然而，ResNet、EfficientNet 与 ConvNeXt 等现有模型架构在此类项目典型的小型专用数据集上往往表现不佳。我们通过知情数据收集与开发一种新型 CNN 架构 PhytNet 来弥补这一不足。利用一份红外可可树图像的新数据集，我们展示了 PhytNet 的开发过程，并将其性能与现有架构进行比较。数据收集参考了光谱数据分析，该分析提供了关于可可树光谱特征的有用见解。此类信息可为未来的数据收集与模型开发提供指导。选择可可作为重点物种是因为其病害病理多样，给检测带来重大挑战。ResNet18 显示出一定过拟合迹象，而 EfficientNet 变体则表现出明显的过拟合迹象。相比之下，PhytNet 对相关特征表现出极佳的关注力，无过拟合，且计算成本极低（1.19 GFLOPS）。因此，PhytNet 是自主系统中快速病害或植物分类、或病害症状精准定位的有力候选方案。
引用
@article{arxiv.2311.12088,
title = {PhytNet -- Tailored Convolutional Neural Networks for Custom Botanical Data},
author = {Jamie R. Sykes and Katherine Denby and Daniel W. Franks},
journal= {arXiv preprint arXiv:2311.12088},
year = {2024}
}