水稻叶片病害检测：CNN、Transformer与非神经网络架构的比较研究
计算机视觉与模式识别
2025-01-14 v1
摘要
在孟加拉国等国家，农业在为很大一部分人口提供生计方面发挥着至关重要的作用。早期识别和分类植物病害对于防止其传播并最小化其对作物产量和质量的影响至关重要。各种计算机视觉技术可用于此类检测和分类。虽然CNN在此类图像分类任务中一直占据主导地位，但近年来视觉Transformer也变得同样出色。在本文中，我们研究了用于孟加拉国水稻叶片病害检测的各种计算机视觉技术。我们使用Dhan-Shomadhan——一个孟加拉国水稻叶片病害数据集，来实验各种CNN和ViT模型。我们还比较了此类深度神经网络架构与传统机器学习架构（如支持向量机（SVM））的性能。我们利用迁移学习在较少训练数据的情况下实现更好的泛化。在测试的模型中，ResNet50表现出优于其他CNN和基于Transformer模型的性能，使其成为该任务的最佳选择。
引用
@article{arxiv.2501.06740,
title = {Rice Leaf Disease Detection: A Comparative Study Between CNN, Transformer and Non-neural Network Architectures},
author = {Samia Mehnaz and Md. Touhidul Islam},
journal= {arXiv preprint arXiv:2501.06740},
year = {2025}
}
备注
6 pages, 6 figures