论文信息

Wasswa Shafik / Rahayu Sukmaria Sukri / Nurul Hazlina Zaini 等 8 人

Journal Of Big Data

论文解读

AI 辅助整理
方法
自建5472张沉香叶图像数据集,设计轻量CNN并与GoogleNet、ResNe
发现
AgarwoodNet准确率达96.66%,优于基准模型且计算复杂度更低。
机会点
可探索模型在移动端/边缘设备的实时部署与田间复杂背景下的泛化能力。

论文摘要

沉香(Aquilaria malaccensis、Aquilaria macrocarpa 和 Aquilaria beccariana)是一种具有重要经济、药理和工业应用价值的高价值作物。然而,其生产力受到病虫害的严重影响,这些病虫害的早期症状往往表现出相似的视觉特征,使得及时、准确的诊断具有挑战性。现有的植物健康监测深度学习方法通常计算量大,限制了其在资源受限设备上的部署。本研究旨在开发一种轻量级且稳健的深度学习模型,用于对新型沉香病虫害进行准确分类。本研究设计了一种名为 AgarwoodNet 的新型卷积神经网络,并使用一个新构建的数据集进行了评估,该数据集包含从文莱达鲁萨兰国 Batong、Benutan 和 Bukit Silat 采集的 5,472 张沉香叶片图像。该数据集包括 14 个类别,涵盖主要害虫、病害和健康叶片。所提出的模型使用准确率、精确率、召回率和 F1 分数进行评估,并与包括 GoogleNet、ResNet18 和 Inception V3 等在内的成熟架构进行了比较。AgarwoodNet 达到了 96.66% 的准确率、94.77% 的精确率、96.63% 的召回率和 95.46% 的 F1 分数,在保持较低计算复杂度和轻量级架构的同时优于基准模型。结果表明,AgarwoodNet 能够对沉香病虫害进行准确、稳健且高效的分类。所提出的模型为实时沉香健康监测和病虫害早期检测提供了一种实用解决方案,有助于在资源受限环境中支持智慧农业、精准林业和可持续沉香生产。

论文原文与出版信息

Journal Of Big Data
查看论文原文

继续探索