PDDD-PreTrain:系列预训练模型用于支持基于图像的植物病害诊断


发布时间:

2023-07-17

来源:

植物表型资讯

作者:

PhenoTrait

植物病害是全球粮食安全的重大威胁,会降低作物产量,因此及时准确地诊断植物病害对农业生产至关重要。人工智能技术由于其高效、低成本、客观和准确的优势,逐渐取代了传统的植物病害诊断方法。作为人工智能的主流方法,深度学习在提高植物病害检测精度方面取得了显著的进步,为精准农业提供了强有力的支持。目前,大多数植物病害诊断方法通常采用预训练的深度学习模型,然而,这些预训练模型往往来自计算机视觉数据集,而不是植物学数据集,这使得预训练模型缺乏对植物病害的知识,也降低了诊断模型区分不同植物病害的能力和精度。为了解决这个问题,本文提出了一系列基于植物病害图像的预训练模型,以提升其性能。具体地,首先收集并编制了超过40万张来自40种植物和120种植物病害类别的图像,形成了一个超大规模的植物病害数据集(PDDD)。其次采用现有的标准模型在PDDD上进行预训练,以确保预训练模型获得充足的植物病害专业知识。再次将植物病害预训练模型应用于下游任务,如植物病害识别、检测、分割等子任务。最后提出了一系列具有不同结构和参数数量的植物病害预训练模型,在多种植物病害诊断任务上进行实验,证明了植物病害预训练模型可以在更少的时间内达到更高的准确率。本文提出的一系列用于植物病害诊断的预训练模型,可帮助植物病害诊断模型获得更多植物病害专业知识,从而提高模型在植物病害诊断任务上的性能。本文的预训练模型在https://pd.samlab.cn/和Zenodo平台https://doi.org/10.5281/zenodo.7856293上开源!

 

图1 预模型在植物疾病诊断中的作用

 

 图2 不同数据集的示例图像

 

 图3 PDDD数据集的分类标准

 

图4  6个预训练模型在测试数据集上的训练精度比较

 

图片 图5  6个预训练模型在测试数据集上的验证精度比较

 

 图6 使用不同预训练模型的结果比较

 

图7 不同预训练模型在Kaggle数据集上的验证精度比较

 

 
来 源

Dong X, Wang Q, Huang Q, et al. PDDD-PreTrain: A Series of Commonly Used Pre-Trained Models Support Image-Based Plant Disease Diagnosis[J]. Plant Phenomics, 2023, 5: 0054.

 

编辑

刘哲昕
 

扩展阅读

推荐新闻

石时之约|韩志国:透过表型数据,看见植物的喜怒哀乐!

本期石时之约,我们将对话慧诺瑞德(北京)科技有限公司总经理、国际植物表型学会(IPPN)执委会委员/工业分会副主席韩志国,一起从表型数据的科学角度,去读懂农作物的喜怒哀乐和前世今生。

慧科研、慧育种、慧种田——慧聚改变的力量

让我们“慧聚”在一起,为“慧科研、慧育种、慧种田”赋能。

高通量植物表型平台建设注意事项

育种,是在给定的环境条件下,选择各种表型指标(产量、品质、抗性)最优的基因型材料的过程(AI育种,从这里起步)。育种工作中大约70%的工作量来自表型观察测量和筛选,是最耗人力物力的过程。

作物生理表型测量基础原理

生理表型测量的核心在于“早、快”,要在肉眼可见之前就能测量并预判出变化趋势,才是这个技术的核心价值。叶绿素荧光成像,恰好满足了这个要求。