arXiv 2609.10469·9月9日 · 周三论文农业人工智能与决策模型阅读 0
AgroVisNet: A lightweight Convolutional Network and the BD-PlantDX Expert-Validated Benchmark for Radish, Potato and Pointed Gourd Disease Classification
论文解读
73接近精选线
速览
提出轻量卷积网络AgroVisNet及专家验证的萝卜、马铃薯和尖瓜病害图像基准BD-PlantDX。
方法
从头训练紧凑CNN，使用12,432张田间图像、12类病害，与6个预训练轻量主干
发现
仅29万参数即达99.52%准确率，超越所有ImageNet预训练轻量模型且参数少8.7-16.8倍
机会点
可探索跨地区跨作物泛化、田间复杂背景鲁棒性及模型轻量化部署到移动端的研究。
影响力15
信息增量22
专业深度18
信源权威12
时效性6
提出仅29万参数的轻量卷积网络与专家验证的12类作物病害基准，准确率99.52%且显著优于预训练主干，方法新颖、数据规模扎实，对农业AI病害识别有实用参考价值。
原文摘要
Mandal等发表在arXiv:2609.10469。提出AgroVisNet一种从头训练的紧凑卷积网络和BD-PlantDX专家验证基准(12,432张田间图像，涵盖孟加拉国Bogura和Nilphamari地区收集的萝卜、马铃薯和尖瓜12类健康和病害状态)。AgroVisNet仅290,572个可训练参数在BD-PlantDX上达到99.52%测试准确率和加权F1，超过所有六个ImageNet预训练轻量级主干网络，同时参数量少8.7到16.8倍。
信源（1 个）