International Journal of Reconfigurable and Embedded Systems (IJRES)·10月25日 · 周日论文智慧农业 / 农业物联网阅读 0
Bayesian optimization of super-resolution for crop disease detection
Deekshitha Arasa · Sneha Sharma · S. Sivaramakrishnan
International Journal of Reconfigurable and Embedded Systems (IJRES)DOI 10.11591/ijres.v15.i3.pp889-900开放获取 PDF ↗
论文解读
63接近精选线
速览
用贝叶斯优化超分辨率网络参数，提升作物病害图像分类准确率与稳定性。
方法
对PlantVillage图像做4倍退化，Optuna优化EDSR超参数，提取C
发现
退化使准确率降至58.15%，基线超分升至74.26%，贝叶斯优化后达75.56%且标准差由0.74
机会点
可将贝叶斯优化超分迁移到真实田间低质图像与多病害场景，并探索超分与分类联合端到端训练。
影响力8
信息增量18
专业深度16
信源权威12
时效性9
方法新颖、结论有数据支撑，但属实验室数据集验证，产业影响有限，可作为技术前沿条目收录。
原文摘要
本文提出了一种面向增强型深度超分辨率网络（EDSR）的贝叶斯超参数优化框架，以改进病灶感知的病害分类。对PlantVillage图像施加4×退化模型，并采用Optuna优化残差块、学习率、特征通道数和图像块尺寸。提取病灶感知的颜色灰度共生矩阵（Color GLCM）特征，并在5折交叉验证下使用极端梯度提升（XGBoost）进行分类。结果表明，退化使分类准确率降至58.15%，而基线超分辨率（SR）将其提升至74.26%。经贝叶斯优化的SR进一步将准确率提高至75.56%，并将标准差从0.74降至0.30，表明泛化稳定性得到改善。所提出的框架表明，超参数优化后的SR能够增强病灶纹理恢复，并为精准农业应用提供了一种高效的预处理策略。