Journal of Imaging·9月24日 · 周四论文农业人工智能与决策模型阅读 0
A Resource-Efficient Hybrid CNN-LSTM Network for Image-Based Bean Leaf Disease Classification
Hye Jin Rhee · Joseph Damilola Akinyemi
论文解读
78精选
速览
提出轻量级CNN-LSTM混合网络，用于豆叶病害分类，兼顾高精度与低资源占用。
方法
CNN提取特征后接LSTM建模空间序列关系，在ibean数据集上评估并系统比较图
发现
模型准确率94.36%、F1 94.38%，仅1.86MB，比传统CNN缩小70%，Efficien
机会点
可探索面向移动端/边缘设备的超轻量病害诊断模型，并研究增强策略与模型结构的自适应协同优化。
影响力16
信息增量22
专业深度18
信源权威13
时效性9
轻量级CNN-LSTM豆叶病害识别研究，方法新颖、数据可靠且代码开源，对资源受限场景下的农业智能诊断有实用价值。
原文摘要
准确且资源高效的自动化诊断是现代农业专家系统的基石。尽管卷积神经网络（CNN）在植物病理学领域已确立了基准，但其捕捉长程空间依赖关系的能力常受限于标准池化层，且高内存占用阻碍了其在便携设备上的部署。本文提出了一种用于豆叶病害分类的轻量级混合CNN-LSTM系统。通过集成LSTM层来建模特征图内的空间-序列关系，我们的混合架构达到了94.36%的准确率和94.38%的F1分数，同时保持了仅1.86 MB的极小占用，相较于传统基于CNN的系统体积减少了70%。此外，我们系统评估了图像增强策略，表明定制化变换在保持诊断模式完整性方面优于通用组合。在ibean数据集上的结果证实，所提出的系统结合EfficientNet-B7+LSTM达到了99.22%的最先进F1分数，为资源受限环境中的实时农业决策支持提供了一个潜在稳健且可扩展的框架。本研究使用的代码和增强数据集已在此GitHub仓库公开。
信源（1 个）