利用迁移学习进行基于图像的木薯病害检测
计算机视觉与模式识别
2017-11-07 v2 计算机与社会
摘要
木薯是世界人类食物的第三大碳水化合物来源，但易受病毒病害侵袭，这威胁到撒哈拉以南非洲的粮食安全稳定。需要新颖的木薯病害检测方法来支持改进防控以阻止这一危机。图像识别为病害检测提供了兼具成本效益和可扩展性的技术。新的迁移学习方法为该技术轻松部署于移动设备提供了途径。利用在坦桑尼亚田间拍摄的木薯病害图像数据集，我们应用迁移学习训练深度卷积神经网络以识别三种病害和两类害虫损害（或无损害）。训练出的最佳模型准确率分别为：褐斑病（BLS）98%，红螨损害（RMD）96%，绿螨损害（GMD）95%，木薯褐条病（CBSD）98%，木薯花叶病（CMD）96%。最佳模型对训练过程未使用的数据达到了93%的总体准确率。我们的结果表明，针对田间图像识别的迁移学习方法为数字植物病害检测提供了一种快速、经济且易于部署的策略。
引用
@article{arxiv.1707.03717,
title = {Using Transfer Learning for Image-Based Cassava Disease Detection},
author = {Amanda Ramcharan and Kelsee Baranowski and Peter McCloskey and Babuali Ahmed and James Legg and David Hughes},
journal= {arXiv preprint arXiv:1707.03717},
year = {2017}
}
备注
10 pages, 4 figures