Deep Learning-Based Transfer Learning for Classification of Cassava Disease
作者: Ademir G. Costa Junior, Fábio S. da Silva, Ricardo Rios
发布时间: 2025-02-27
来源: arxiv
研究方向: 农业病害检测与分类
主要内容
该研究对比了四种卷积神经网络架构（EfficientNet-B3、InceptionV3、ResNet50和VGG16）在分类木薯病害图像方面的性能。研究人员使用了一个不平衡的数据集，并采用了适当的指标来解决类别不平衡问题。
主要贡献
1. 提出了一种基于深度学习的木薯病害图像分类方法。
2. 比较了四种不同的卷积神经网络架构在木薯病害图像分类任务中的性能。
3. 使用F1分数等指标解决了数据集类别不平衡的问题。
4. 证明了EfficientNet-B3在木薯病害图像分类任务中具有优越的性能。
研究方法
1. 深度学习
2. 卷积神经网络
3. 迁移学习
4. 数据增强
5. 类别不平衡处理
6. 性能评估（准确率、精确率、召回率和F1分数）
实验结果
EfficientNet-B3在木薯病害图像分类任务中取得了最佳性能，准确率为87.7%，精确率为87.8%，召回率为87.8%，F1分数为87.7%。其他模型（InceptionV3、ResNet50和VGG16）的性能均低于EfficientNet-B3。VGG16的性能最差，因为其参数过多，导致过拟合。
未来工作
探索不同超参数的影响，例如使用RMSProp或Adam优化器。探索高级超参数优化技术，如大规模搜索。评估数据平衡技术，如图像复制或使用SMOTE或ADASYN等方法生成合成图像。