SugarcaneNet：基于 LASSO 正则化预训练模型优化集成的准确病害分类
计算机视觉与模式识别
2024-11-19 v3 人工智能
机器学习
摘要
甘蔗是全球制糖业的关键作物，易受多种病害影响，这些病害对其产量和质量均有显著的负面影响。为了有效地管理和实施预防措施，必须及时准确地检测病害。在本研究中，我们提出了一种名为 sugarcaneNet2024 的独特模型，该模型通过叶片图像处理在自动快速检测甘蔗病害方面优于以往的方法。我们提出的模型整合了七个定制化且经 LASSO 正则化的预训练模型的优化加权平均集成，特别是 InceptionV3、InceptionResNetV2、DenseNet201、DenseNet169、Xception 和 ResNet152V2。最初，我们在这些预训练模型的底部添加了三个具有 0.0001 LASSO 正则化的额外密集层、三个 30% 的 dropout 层以及三个启用了 renorm 的批归一化层，以提高性能。这种添加极大地提高了甘蔗叶片病害分类的准确率。随后，我们在平均集成与单个模型之间进行了多项比较研究，表明集成技术的表现更佳。所有修改后的预训练模型的平均集成产生了出色的结果：F1 分数、精确率、召回率和准确率分别达到 100%、99%、99% 和 99.45%。通过实施结合网格搜索的优化加权平均集成技术，性能得到了进一步提升。该优化后的 sugarcaneNet2024 模型在检测甘蔗病害方面表现最佳，其准确率、精确率、召回率和 F1 分数分别达到了 99.67%、100%、100% 和 100%。
引用
@article{arxiv.2403.18870,
title = {SugarcaneNet: An Optimized Ensemble of LASSO-Regularized Pre-trained Models for Accurate Disease Classification},
author = {Md. Simul Hasan Talukder and Sharmin Akter and Abdullah Hafez Nur and Mohammad Aljaidi and Rejwan Bin Sulaiman and Ali Fayez Alkoradees},
journal= {arXiv preprint arXiv:2403.18870},
year = {2024}
}
备注
32 pages, 11 Figures, 13 Tables