Enhancing Cocoa Pod Disease Classification via Transfer Learning and Ensemble Methods: Toward Robust Predictive Modeling

📄 arXiv: 2504.12992v1 📥 PDF

作者: Devina Anduyan, Nyza Cabillo, Navy Gultiano, Mark Phil Pacot

分类: cs.CV

发布日期: 2025-04-17

💡 一句话要点

结合迁移学习与集成方法，提升可可豆荚疾病分类的鲁棒性

🎯 匹配领域: 支柱二：RL算法与架构 (RL & Architecture)

关键词: 可可豆荚疾病分类 迁移学习 集成学习 卷积神经网络 Bagging

📋 核心要点

  1. 现有可可豆荚疾病分类方法在光照变化、豆荚方向和疾病严重程度方面存在鲁棒性不足的挑战。
  2. 本研究提出结合迁移学习和集成学习，利用预训练模型提取特征，并通过集成方法提升分类性能和泛化能力。
  3. 实验结果表明，Bagging集成方法取得了最佳的分类效果，测试准确率达到100%，验证了该方法的有效性。

📝 摘要（中文）

本研究提出了一种基于集成的可可豆荚疾病分类方法，该方法将迁移学习与三种集成学习策略（Bagging、Boosting和Stacking）相结合。预训练的卷积神经网络，包括VGG16、VGG19、ResNet50、ResNet101、InceptionV3和Xception，经过微调后被用作基础学习器，以检测三种疾病类别：黑荚病、豆荚螟和健康豆荚。构建了一个包含6000张可可豆荚图像的平衡数据集，并通过数据增强来确保模型对光照、方向和疾病严重程度变化的鲁棒性。使用准确率、精确率、召回率和F1分数评估了每种集成方法的性能。实验结果表明，Bagging始终如一地实现了卓越的分类性能，测试准确率达到100%，优于Boosting（97%）和Stacking（92%）。研究结果证实，将迁移学习与集成技术相结合可以提高模型的泛化能力和可靠性，使其成为精准农业和自动化作物病害管理的一个有希望的方向。

🔬 方法详解

问题定义：可可豆荚疾病的准确分类对于农业生产至关重要。现有方法在处理复杂环境下的图像时，鲁棒性不足，容易受到光照、角度和疾病严重程度的影响，导致分类精度下降。

核心思路：本研究的核心思路是利用迁移学习提取图像的有效特征，并结合集成学习来提高模型的泛化能力和鲁棒性。通过预训练模型学习到的通用特征，可以减少对大规模标注数据的依赖，而集成学习则可以通过组合多个模型的预测结果来降低单个模型的误差。

技术框架：整体框架包括数据预处理、迁移学习和集成学习三个主要阶段。首先，对可可豆荚图像进行数据增强，以增加数据集的多样性。然后，使用预训练的卷积神经网络（VGG16、VGG19、ResNet50、ResNet101、InceptionV3和Xception）进行特征提取和微调。最后，将这些模型的预测结果输入到Bagging、Boosting和Stacking三种集成学习方法中，以获得最终的分类结果。

关键创新：本研究的关键创新在于将迁移学习与集成学习相结合，用于可可豆荚疾病分类。与传统的单一模型相比，该方法能够更好地利用预训练模型的知识，并提高模型的泛化能力和鲁棒性。此外，对多种集成学习方法进行了比较，并确定了最适合该任务的Bagging方法。

关键设计：在数据增强方面，采用了随机旋转、缩放和亮度调整等方法，以模拟真实环境中的变化。在迁移学习方面，冻结了预训练模型的部分层，并只对顶层进行微调，以避免过拟合。在集成学习方面，Bagging方法使用了多个随机子集训练的模型进行投票，Boosting方法则通过迭代训练来调整模型的权重，Stacking方法则使用另一个模型来组合多个模型的预测结果。具体参数设置未知。

🖼️ 关键图片

fig_0
fig_1
fig_2

📊 实验亮点

实验结果表明，基于Bagging集成的模型在可可豆荚疾病分类任务中取得了最佳性能，测试准确率达到了100%，显著优于Boosting（97%）和Stacking（92%）方法。这表明结合迁移学习和Bagging集成方法能够有效提高模型对可可豆荚疾病的识别精度和鲁棒性。

🎯 应用场景

该研究成果可应用于精准农业领域，实现可可豆荚疾病的自动化检测和诊断，帮助农民及时采取防治措施，减少作物损失，提高产量和质量。此外，该方法还可以推广到其他农作物病害的检测，具有广阔的应用前景和实际价值。未来，可以结合无人机等技术，实现大面积农田的自动化监测。

📄 摘要（原文）

This study presents an ensemble-based approach for cocoa pod disease classification by integrating transfer learning with three ensemble learning strategies: Bagging, Boosting, and Stacking. Pre-trained convolutional neural networks, including VGG16, VGG19, ResNet50, ResNet101, InceptionV3, and Xception, were fine-tuned and employed as base learners to detect three disease categories: Black Pod Rot, Pod Borer, and Healthy. A balanced dataset of 6,000 cocoa pod images was curated and augmented to ensure robustness against variations in lighting, orientation, and disease severity. The performance of each ensemble method was evaluated using accuracy, precision, recall, and F1-score. Experimental results show that Bagging consistently achieved superior classification performance with a test accuracy of 100%, outperforming Boosting (97%) and Stacking (92%). The findings confirm that combining transfer learning with ensemble techniques improves model generalization and reliability, making it a promising direction for precision agriculture and automated crop disease management.