多输出深度监督分类链在植物病理学中的应用-计算机科学-智能农业-物联网.pdfVIP

多输出深度监督分类链在植物病理学中的

应用

JianpingYao

SchoolofInformationandCommunicationsTechnology

UniversityofTasmania

Launceston,Australia

jianping.yao@.au

SonN.Tran

SchoolofInformationandCommunicationsTechnology

本UniversityofTasmania

译Launceston,Australia

中sn.tran@.au

1

v

5摘要—植物叶片疾病的分类是智能农业中的一个重要任务，业。基于其从大数据中学习的能力，DL已经在各种农

2对可持续生产起着关键作用。现代机器学习方法在这一分类任务业任务中显示出巨大的潜力，包括但不限于水果检测

1中展现出前所未有的潜力，提供了包括节省时间和降低成本等一

0[1]、杂草控制[2]、农场天气预报[3]，当然，还有本文

2.系列好处。然而，最近大多数方法直接采用卷积神经网络，其中的重点，植物物种和疾病分类[4]–[6]。

7植物种类与疾病类型之间的关系对预测性能的影响没有得到充

0分研究。在这项研究中，我们提出了一种新的模型，称为多输出叶病是导致作物减产甚至作物失败的主要原因之

5

2深度监督分类链（Mo-DsCC），通过将两个标签的输出层串联一。与其他外部条件相比，如洪水和干旱等不可控的不

:起来编织了对植物种类和疾病的预测。Mo-DsCC由三个部分确定因素，早期识别植物疾病可以大大避免可预见的产

v

i组成：作为骨干网络的修改版VGG-16、深度监督训练以及一

x量减少的发生。在植物的其他部分中，叶子更为显眼，

r系列分类链。为了评估我们模型的优势，我们在PlantVillage

a和PlantDoc这两个基准数据集上进行了大量的实验。与包括因此，叶病可以更容易、更早地被识别和诊断。另一个

多模型、多标签（Power-set）、多输出和多任务在内的最近方使叶子在疾病分类中受欢迎的特点是叶子参与光合作

法相比，Mo-DsCC实现了更高的准确率和F1得分。本文的经用过程，这将为植物[7]提供能量。然而，人类手动对

验研究表明，应用Mo-DsCC可以成为智能农业中一个有用的叶病进行分类也存在挑战和困难。要识别大量不同种类

拼图，为农场带来益处，并给行业和学术界带来新的想法。的叶子需要大量的劳力、时间和成本。最重要的是，标

注操作员需要专业知识和培训时间。因此，一个有效的

I.介绍

从各种植物物种中早期识别叶病的方法一直是行业的

随着物联网(IoT)和机器学习(ML)的广泛应用，愿望，这可以控制疾病并迅速治疗植物。

智能农业(SA)近年来发展迅速。农民比以往更容易大

上述问题可以通过最近的机器学习发展得到缓解。

规模地运营和管理他们的农场。例如，人们可以及时远