An empirical performance comparison of deep learning models for apple leaf disease recognition
Apoorva Arora · Vinay Gautam · Anand Muni Mishra 等 6 人
用UNet++分割苹果病叶并融合多种CNN与ViT分类，实现98.85%识别准确率。
FGVC7数据集，UNet/PSPNet/UNet++分割，VGG16等CNN与
UNet++分割最准，融合模型准确率达98.85%，优于单个CNN模型。
可探索轻量化分割-分类联合模型在田间移动端的实时部署与多作物泛化。
方法组合（UNet++分割+CNN与ViT融合）与98.85%准确率有参考价值，但属实验室数据集验证，产业落地影响有限，可作为技术前沿资讯收录。
目前，农业中的生物和非生物因素估计约占作物生产总损失的22%。因此，农民尽早识别这些限制因素非常重要，但同时也非常困难。计算机视觉的最新发展使得在初级水平上识别和分类植物病变成为可能。各种深度学习技术使得以极高准确度检测苹果植株叶片的生物胁迫成为可能。因此，患病叶片图像的自动分割已成为世界范围内的前沿研究主题。本文使用来自FGVC7的数据集来衡量所提出模型的性能，该数据集是一个开放源数据集，包含苹果作物的四类不同叶片病害。进行了三步图像预处理，包括图像增强、背景噪声去除以及通过多种方法进行目标识别。使用UNet、PSPNet和UNet++识别病害区域，其中UNet++提供了最精确的目标分割。然后将分割后的图像块数据作为输入馈入基于融合的分类模型。图像块分割使得能够分离不同的病害区域，从而提高分类准确率。所提出的框架结合了多种CNN架构，即VGG16、InceptionV3、AlexNet和GoogleNet，以利用它们互补的优势，然后使用视觉Transformer（ViT）通过早期特征融合来识别不同的局部特征。此后，将所提出模型的效率与各个预训练CNN模型进行比较。与所有其他模型相比，所提出的模型显示出最高阶的准确率，即98.85%，明显优于各个单独的CNN模型。