轻量CNN识别马铃薯叶片病害，田间准确率90.28%
论文AI 评分 52/100arXiv cs.AI
AI 聚合
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
一项研究用轻量卷积神经网络把马铃薯叶片分为健康、早疫病、晚疫病三类。模型用PlantVillage数据集的2215张图像训练，在埃塞俄比亚Banja地区采集的247张独立田间图像上测试。在PlantVillage上训练准确率99.04%、验证准确率98.21%、测试准确率98.66%，田间数据集准确率为90.28%。模型含446787个可训练参数，体积约1.70 MB，每轮训练平均耗时5.58秒，对比VGG16的9.96秒和MobileNetV2的7.68秒。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载研究做了什么
研究针对埃塞俄比亚马铃薯生产受叶部病害影响的问题，构建了一个轻量卷积神经网络，把叶片图像判为健康、早疫病、晚疫病三类。训练数据来自PlantVillage数据集的2215张图像，测试则另用一套独立田间数据，共247张，采集自埃塞俄比亚Awi Zone的Banja地区马铃薯农场。论文同时把该模型与VGG16、MobileNetV2在分类表现和计算开销两方面做了对照。
准确率与效率数据
在PlantVillage上，模型训练准确率为99.04%，验证准确率为98.21%，测试准确率为98.66%；换到田间数据集后，准确率降到90.28%。效率方面，模型可训练参数为446787个，占用空间约1.70 MB，在论文所述实验环境中每轮训练平均耗时5.58秒，而VGG16为9.96秒，MobileNetV2为7.68秒。这些数字说明模型在体积和训练时间上比两个对照网络更小更快。
田间评估的意义
论文强调独立田间评估的价值：田间图像条件比受控基准数据集更不稳定，因此同一模型在PlantVillage与田间数据上的表现出现明显差距。作者认为这种紧凑型CNN可用于马铃薯叶片病害分类，并可能为埃塞俄比亚及类似农业环境中的小农户提供初步病害识别支持。论文共9页，含4幅图和4张表。
为什么值得看
给出了轻量模型在受控数据集与真实田间条件下的准确率落差，对农业AI落地评估有参考价值。
数据集
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。