
-
生物通官微
陪你抓住生命科技
跳动的脉搏
利用具有清晰度感知能力的优化卷积神经网络(CNNs),提升玉米叶部病害检测的准确性
《Plant Methods》:Enhanced corn leaf disease detection using sharpness-aware minimization optimized CNNs
【字体: 大 中 小 】 时间:2026年04月01日 来源:Plant Methods 4.4
编辑推荐:
摘要农作物疾病通过直接影响作物产量和质量,严重威胁全球粮食安全。传统的诊断方法劳动强度大且容易出错。然而,现有的深度学习解决方案由于损失函数的陡峭特性而普遍存在泛化能力不足的问题。本研究针对这一限制,采用了一种称为“锐度感知最小化”(Sharpness-Aware Minimiz
农作物疾病通过直接影响作物产量和质量,严重威胁全球粮食安全。传统的诊断方法劳动强度大且容易出错。然而,现有的深度学习解决方案由于损失函数的陡峭特性而普遍存在泛化能力不足的问题。本研究针对这一限制,采用了一种称为“锐度感知最小化”(Sharpness-Aware Minimization,简称SAM)的方法来优化卷积神经网络(Convolutional Neural Network,简称CNN)。该方法能够同时降低训练损失和损失函数的陡峭程度,使模型收敛到更平坦的最小值点,从而提高泛化能力。实验在60,000张玉米叶片图像样本上进行评估,这些样本被分为4个类别,每个类别在增强处理后有15,000张平衡样本。优化后的CNN模型在测试中的准确率达到99.66%,分类错误率为0.33%,优于传统的优化器(如Adam,准确率为98.44%)和随机梯度下降(Stochastic Gradient Descent,SGD)。最先进的分析结果显示,该模型的平均精确度为99%,F1分数为99.66%,均方误差(Mean Squared Error,MSE)为0.0013%。量化后的模型在Raspberry Pi 4平台上每张图像的推理延迟为22.7毫秒(约44帧每秒),同时减少了模型过拟合现象并提升了特征区分能力。这些结果凸显了基于SAM的优化方法在精准农业中的潜力,有助于实现疾病管理的可扩展自动化。这项工作弥合了深度学习优化理论进展与资源受限农业环境实际应用之间的差距。
农作物疾病通过直接影响作物产量和质量,严重威胁全球粮食安全。传统的诊断方法劳动强度大且容易出错。然而,现有的深度学习解决方案由于损失函数的陡峭特性而普遍存在泛化能力不足的问题。本研究针对这一限制,采用了一种称为“锐度感知最小化”(Sharpness-Aware Minimization,简称SAM)的方法来优化卷积神经网络(Convolutional Neural Network,简称CNN)。该方法能够同时降低训练损失和损失函数的陡峭程度,使模型收敛到更平坦的最小值点,从而提高泛化能力。实验在60,000张玉米叶片图像样本上进行评估,这些样本被分为4个类别,每个类别在增强处理后有15,000张平衡样本。优化后的CNN模型在测试中的准确率达到99.66%,分类错误率为0.33%,优于传统的优化器(如Adam,准确率为98.44%)和随机梯度下降(Stochastic Gradient Descent,SGD)。最先进的分析结果显示,该模型的平均精确度为99%,F1分数为99.66%,均方误差(Mean Squared Error,MSE)为0.0013%。量化后的模型在Raspberry Pi 4平台上每张图像的推理延迟为22.7毫秒(约44帧每秒),同时减少了模型过拟合现象并提升了特征区分能力。这些结果凸显了基于SAM的优化方法在精准农业中的潜力,有助于实现疾病管理的可扩展自动化。这项工作弥合了深度学习优化理论进展与资源受限农业环境实际应用之间的差距。