Улучшение компьютерного зрения для фитопатологии с помощью передовых методов обучения.
Improving computer vision for plant pathology through advanced training techniques.
Jamie R Sykes, Katherine J Denby, Daniel W Franks
Аннотация (перевод)
ПРЕДПОСЫЛКИ: В данном исследовании изучаются передовые методы обучения для повышения эффективности сверточных нейронных сетей при обнаружении заболеваний какао,. МЕТОДЫ: Несмотря на недавнюю стагнацию в повышении точности компьютерного зрения для классификации изображений, наше исследование демонстрирует значительный прогресс в эффективности благодаря полуконтролируемому обучению, специализированным функциям потерь и включению класса «не какао». РЕЗУЛЬТАТЫ: Полуконтролируемое обучение снизило переобучение и улучшило обобщающую способность, особенно для слабовыраженных симптомов. Класс «не какао» предоставил моделям широкий спектр релевантных признаков, значительно повысив устойчивость и эффективность моделей в сложных случаях. Grad-CAM для качественной оценки предоставил ценные сведения о поведении моделей, выявив случаи переобучения, пропущенные сводной статистикой. Мы также описываем dynamic focal loss — новую функцию потерь, которая использует эмпирическую меру сложности для взвешивания каждого изображения. Наши результаты показывают, что, хотя PhytNet демонстрирует многообещающие результаты с точки зрения вычислительной эффективности и превосходной обработки сложных изображений, ResNet18 с полуконтролируемым обучением и dynamic focal loss оказалась наиболее сильным кандидатом для практического развертывания. ОБСУЖДЕНИЕ: Данное исследование подчеркивает потенциал полуконтролируемого обучения и передовых функций потерь в расширении применимости моделей глубокого обучения для контроля заболеваний в сельском хозяйстве. В нем также представлен новый высококачественный эталонный набор данных из 7220 изображений пораженных и здоровых деревьев какао, представляющий собой гораздо более сложную и реалистичную задачу, чем набор данных Plan Village.
Оригинальная аннотация
PREMISE: This study investigates advanced training techniques to improve the performance of convolutional neural networks for disease detection in cocoa,. METHODS: Despite recent stagnation in accuracy improvements in computer vision for image classification, our research demonstrates significant advancements in performance through semi-supervised learning, specialised loss functions, and the inclusion of a non-cocoa class. RESULTS: Semi-supervised learning reduced overfitting and enhanced generalisability, particularly for subtle symptoms. The non-cocoa class exposed models to a broad range of relevant features, significantly improving model robustness and performance in difficult cases. Grad-CAM for qualitative assessment provided valuable insights into model behaviour, highlighting cases of overfitting missed by summary statistics. We also describe dynamic focal loss, a novel loss function that uses an empirical measure of difficulty to weight each image. Our results suggest that while PhytNet shows promise in terms of computational efficiency and superior handling of difficult images, ResNet18 with semi-supervised learning and dynamic focal loss emerged as the strongest contender for real-world deployment. DISCUSSION: This research underscores the potential of semi-supervised learning and advanced loss functions in enhancing the applicability of deep learning models in agricultural disease management. It also presents a new high-quality benchmark dataset of 7220 images of diseased and healthy cocoa trees, offering a much greater and more realistic challenge than the Plan Village dataset.
Идентификаторы
Canonical: https://research.holos.house/w/a0b4d873-5836-4810-9085-4b56970b3af9
DOI: 10.1002/aps3.70010