迁移学习在农业应用中的威力:AgriNet
计算机视觉与模式识别
2022-10-07 v3 机器学习
摘要
深度学习和迁移学习的进展为农业中各种自动化分类任务铺平了道路,包括植物病害、害虫、杂草和植物物种检测。然而,农业自动化仍面临各种挑战,例如数据集规模有限以及缺乏植物领域特定的预训练模型。领域特定的预训练模型已在包括人脸识别和医学影像诊断在内的各种计算机视觉任务中展现出最先进的性能。在本文中,我们提出 AgriNet 数据集,一个来自超过 19 个地理位置、若干图像标注设备以及超过 423 类植物物种和病害的 16 万张农业图像的集合。我们还介绍了 AgriNet 模型,一组在五种 ImageNet 架构上预训练的模型:VGG16、VGG19、Inception-v3、InceptionResNet-v2 和 Xception。AgriNet-VGG19 取得了最高的分类准确率 94% 和最高的 F1 分数 92%。此外,所有提出的模型都被发现能准确分类 423 类植物物种、病害、害虫和杂草,其中 Inception-v3 模型的最低准确率为 87%。最后,为评估 AgriNet 模型相对于 ImageNet 模型的优越性,在两个外部数据集上进行了实验:来自孟加拉国的害虫和植物病害数据集以及来自克什米尔的植物病害数据集。
引用
@article{arxiv.2207.03881,
title = {The Power of Transfer Learning in Agricultural Applications: AgriNet},
author = {Zahraa Al Sahili and Mariette Awad},
journal= {arXiv preprint arXiv:2207.03881},
year = {2022}
}
备注
Accepted by Frontiers in Plant Science