
-
生物通官微
陪你抓住生命科技
跳动的脉搏
一种用于高效诊断椰子病害的混合特征驱动学习框架
《Journal of Crop Health》:Hybrid Feature-Based Learning Framework for Computationally Efficient Coconut Disease Diagnosis
【字体: 大 中 小 】 时间:2026年06月26日 来源:Journal of Crop Health 2.8
编辑推荐:
摘要在农业领域中,基于图像的疾病诊断需要在严格的计算限制下处理各种不同的视觉模式。在椰子种植园中,由于还需要在降低计算和内存需求的同时保持较高的预测性能,这一挑战更为突出。本研究通过提出一种专为现场操作设计的、计算效率高的混合特征型疾病检测框架,来应对这些挑战。该框架整合了多种视
在农业领域中,基于图像的疾病诊断需要在严格的计算限制下处理各种不同的视觉模式。在椰子种植园中,由于还需要在降低计算和内存需求的同时保持较高的预测性能,这一挑战更为突出。本研究通过提出一种专为现场操作设计的、计算效率高的混合特征型疾病检测框架,来应对这些挑战。
该框架整合了多种视觉特征表示方法,包括手工设计的颜色和纹理描述符以及深度特征嵌入,以此从椰子图像中提取与疾病相关的特征。为在降低计算负担的同时保持特征区分能力,研究采用了受量子理论启发的灰狼优化策略来进行特征选择,从而大幅降低了特征维度。此外,还通过多目标优化策略对超参数进行调优,该策略在模型选择过程中会同时考虑分类精度、宏观F1分数、模型大小以及推理效率等因素。
该框架在公开的椰子疾病数据集上进行了测试,使用了包括支持向量机、随机森林、逻辑回归和XGBoost在内的多种机器学习分类器。实验结果表明,在GPU环境下,支持向量机的性能最佳,其准确率为98.30%,仅分类阶段的模型大小为802 KB,分类阶段的推理时间为0.017秒。消融实验进一步验证了特征融合和优化技术在提升准确率和计算效率方面的作用。
研究结果表明,在受控的GPU环境下,使用轻量级的分类组件即可实现可靠的椰子疾病检测,并且还能取得良好的性能。该框架展现了资源高效的混合特征型图像分类技术在大规模种植园监测以及未来精准农业应用中的巨大潜力。
在农业领域中,基于图像的疾病诊断需要在严格的计算限制下处理各种不同的视觉模式。在椰子种植园中,由于还需要在降低计算和内存需求的同时保持较高的预测性能,这一挑战更为突出。本研究通过提出一种专为现场操作设计的、计算效率高的混合特征型疾病检测框架,来应对这些挑战。
该框架整合了多种视觉特征表示方法,包括手工设计的颜色和纹理描述符以及深度特征嵌入,以此从椰子图像中提取与疾病相关的特征。为在降低计算负担的同时保持特征区分能力,研究采用了受量子理论启发的灰狼优化策略来进行特征选择,从而大幅降低了特征维度。此外,还通过多目标优化策略对超参数进行调优,该策略在模型选择过程中会同时考虑分类精度、宏观F1分数、模型大小以及推理效率等因素。
该框架在公开的椰子疾病数据集上进行了测试,使用了包括支持向量机、随机森林、逻辑回归和XGBoost在内的多种机器学习分类器。实验结果表明,在GPU环境下,支持向量机的性能最佳,其准确率为98.30%,仅分类阶段的模型大小为802 KB,分类阶段的推理时间为0.017秒。消融实验进一步验证了特征融合和优化技术在提升准确率和计算效率方面的作用。
研究结果表明,在受控的GPU环境下,使用轻量级的分类组件即可实现可靠的椰子疾病检测,并且还能取得良好的性能。该框架展现了资源高效的混合特征型图像分类技术在大规模种植园监测以及未来精准农业应用中的巨大潜力。