一种基于FRCNN叶片分离与FCM引导的变异性估计的实地番茄病害分类稳健方法

《Journal of Crop Health》:A Robust Method for Real-Field Tomato Disease Classification Using FRCNN-Based Leaf Isolation and FCM-Guided Variability Estimation

【字体: 大 中 小 】 时间:2026年07月17日 来源:Journal of Crop Health 2.8

编辑推荐:

  摘要番茄种植在全球范围内十分普遍,作为一种营养价值极高的蔬菜,对全球农业具有重要意义。然而,多种植物病害严重威胁着番茄的产量。为了解决这些病害的及时诊断问题,人们提出了深度学习模型,这类模型在实验室环境下的番茄叶片数据集上表现出色。但在实际的田间环境中,其准确率往往会有所下降。造

  

摘要

番茄种植在全球范围内十分普遍,作为一种营养价值极高的蔬菜,对全球农业具有重要意义。然而,多种植物病害严重威胁着番茄的产量。为了解决这些病害的及时诊断问题,人们提出了深度学习模型,这类模型在实验室环境下的番茄叶片数据集上表现出色。但在实际的田间环境中,其准确率往往会有所下降。造成这一性能下降的原因在于复杂的背景以及同一病害类别下不同田间图像之间的高度差异。为克服这些难题,本文提出了一种两阶段框架,用以提升田间条件下的番茄病害分类精度。该方法能够在训练过程中有效减少背景干扰,同时降低不同类别之间的差异性。在第一阶段,采用了结合特征金字塔网络(FPN)的快速区域基卷积神经网络(FRCNN),用于检测并分离番茄叶片,从而有效去除不必要的背景信息。在第二阶段,通过模糊C均值(FCM)聚类方法估算变异因子,为每张田间图像赋予疾病相似度权重,这些权重反映了同一病害类别下不同样本之间的差异。随后,这些权重会被纳入深度学习模型的自定义损失函数中,从而提升模型的训练稳定性,使其能在变化较大的田间条件下准确识别病患区域。研究使用了两个数据集进行评估:FieldPlant数据集(真实场景图像)和PlantVillage数据集(实验室采集的图像)。实验结果表明,FRCNN-FCMWeight模型的准确率为87%,而传统CNN模型的准确率约为82%。来自实验室图像的数据显著提升了模型在各种真实田间条件下的番茄病害分类能力,同时有助于控制环境因素带来的影响。因此,该模型能为农业应用提供有力支持,进一步提升模型的泛化能力。

番茄种植在全球范围内十分普遍,作为一种营养价值极高的蔬菜,对全球农业具有重要意义。然而,多种植物病害严重威胁着番茄的产量。为了解决这些病害的及时诊断问题,人们提出了深度学习模型,这类模型在实验室环境下的番茄叶片数据集上表现出色。但在实际的田间环境中,其准确率往往会有所下降。造成这一性能下降的原因在于复杂的背景以及同一病害类别下不同田间图像之间的高度差异。为克服这些难题,本文提出了一种两阶段框架,用以提升田间条件下的番茄病害分类精度。该方法能够在训练过程中有效减少背景干扰,同时降低不同类别之间的差异性。在第一阶段,采用了结合特征金字塔网络(FPN)的快速区域基卷积神经网络(FRCNN),用于检测并分离番茄叶片,从而有效去除不必要的背景信息。在第二阶段,通过模糊C均值(FCM)聚类方法估算变异因子,为每张田间图像赋予疾病相似度权重,这些权重反映了同一病害类别下不同样本之间的差异。随后,这些权重会被纳入深度学习模型的自定义损失函数中,从而提升模型的训练稳定性,使其能在变化较大的田间条件下准确识别病患区域。研究使用了两个数据集进行评估:FieldPlant数据集(真实场景图像)和PlantVillage数据集(实验室采集的图像)。实验结果表明,FRCNN-FCMWeight模型的准确率为87%,而传统CNN模型的准确率约为82%。来自实验室图像的数据显著提升了模型在各种真实田间条件下的番茄病害分类能力,同时有助于控制环境因素带来的影响。因此,该模型能为农业应用提供有力支持,进一步提升模型的泛化能力。

相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号