植物葉片病害之數據增強識別研究

摘要

由韓國世宗大學農業工程系研究團隊提出了一種基於圖對圖翻譯模型的數據增強方法，透過補充這些不足的病葉圖像來解決數據偏差，所提出方法在健康和患病葉子影像之間進行轉換，並利用注意力機制(attention)來創建更明顯疾病紋理反映影像，並進行了實驗來驗證這種數據增強方法是否可以進一步提高植物早期診斷分類模型的性能，實驗中使用PlantVillage資料集，利用生成影像和原始影像建立擴展資料集，並透過測試集評估分類模型的效能。

　　近年來深度學習在電腦視覺領域取得了突破，關於如何將其用於植物病害的早期診斷已有很多研究，深度學習適合以視覺診斷植物葉子和莖中疾病症狀，因為可以從圖像中擷取和學習高級特徵，儘管許多使用深度學習的基於視覺的植物病害識別高級研究正在進行中，但有些疾病在自然界中並不常見，因此很難從健康植物樣本中收集相同數量的數據。

　　研究重點透過一種圖對圖轉換數據增強方法，可以增加數量不足的病葉資料集的樣本多樣性，所提出的增強方法透過循環生成對抗網路在健康和患病葉子影像之間進行轉換，進一步利用注意力機制和明確指示葉子位置的二進位遮罩，注意力機制可以極大地提高所提出的植物葉子翻譯模型。

　　研究結果解決樣本少問題，增加罕見疾病樣本的多樣性，研究的主要內容是透過將常見的健康植物葉子圖像轉換為患病葉子圖像來解決植物疾病數據不平衡的問題，在增強資料集上訓練模型通常可以解決過度擬合問題並提高整體效能，經實證研究團隊提出之模型成功反映真實圖像清晰疾病特徵。

　　研究成果已發表在MDPI應用科學期刊《農業機器學習之應用》第13期，研究團隊提出植物病葉識別數劇增強模型成功清晰辨識植物疾病癥狀，可幫助未來進一步提高植物早期診斷，維持作物生產力做出貢獻。【延伸閱讀】- 應用深度學習模型識別不同萵苣品種的氮營養含量

摘要

推薦文章