Continual Learning Model Evaluation for Hyperspectral-Based Tomato Bacterial Spot Detection in Greenhouse
Gaoshoutong Si · Peter Ling · Anna L. Testen 等 5 人
评估持续学习框架用于温室高光谱番茄细菌性斑点病冠层检测。
域增量持续学习，GEM-MLP与顺序/联合训练MLP对比，遗传算法特征选择。
GEM-MLP减少遗忘但分类性能非最优，无症状检测仍困难。
可探索结合多模态数据或更先进持续学习方法，提升早期无症状病害检测精度。
研究评估持续学习模型在温室番茄细菌性斑点病高光谱检测中的应用，虽为细分领域进展，但方法新颖且数据详实，对农业AI落地有参考价值。
在温室育苗生产中，冠层尺度上的番茄细菌性斑点病（TBS）检测至关重要，然而以往大多数高光谱研究都是在严格控制条件下于叶片尺度进行的。本研究评估了一种基于域增量持续学习框架的自动化冠层尺度TBS检测方法，该方法利用跨五个温室实验的高光谱传感数据。研究评估了三组光谱特征集，并在两种条件下将全记忆与有界记忆梯度情景记忆多层感知器（GEM-MLP）与顺序训练和联合训练MLP模型进行了比较：一种是对未来未见实验的泛化测试（情景1），另一种是同分布基准测试（情景2）。遗传算法特征选择降低了输入维度，但未能识别出在所有折和情景下均稳定的单一特征子集。在情景1下，使用固定18-VI特征集的全记忆GEM-MLP实现了58.1%的无症状召回率和81.2%的有症状召回率。其最显著的优势在于知识保持能力：后向迁移（BWT）为-1.4%，而顺序MLP为-7.2%，同时前向迁移相近（7.4%对7.0%）。在情景2下，全记忆GEM-MLP实现了46.5%的无症状召回率和86.2%的有症状召回率，而联合训练MLP表现极具竞争力，达到了最高的平均无症状召回率（53.4%）。全记忆GEM-MLP再次展现出更好的保持能力，其BWT为+1.8%，而顺序MLP为-3.2%。这些结果表明，GEM并未提供普遍优越的分类性能，但在顺序学习过程中始终减少了遗忘。即使在模型开发阶段涵盖了所有实验域，无症状检测仍持续存在困难，这进一步表明早期冠层尺度病害检测受到跨实验分布偏移之外因素的限制。