【論文導讀】A diverse ensemble classifier for tomato disease recognition

版權與使用聲明

此文章為學術導讀紀錄與推廣意圖，目的為精簡論文核心概念，以及分享個人導讀心得與觀點，本文章將遵守著作權法，並遵守合理使用原則（如學術引用、評論權），以及原始資料所適用之授權條款（如 CC授權等）如需完整了解研究細節與圖表數據，請參考原始論文出處。

論文出處

Mounes Astani, Mohammad Hasheminejad, Mahsa Vaghefi, A diverse ensemble classifier for tomato disease recognition, Computers and Electronics in Agriculture, Volume 198, 2022, 107054, ISSN 0168-1699, https://doi.org/10.1016/j.compag.2022.107054

前言

番茄是全球主要作物之一，因此準確且即時的病害診斷顯得重要，隨著人工智慧與影像處理技術進步，加上大型影像資料庫的可用，能更容易地幫助農業診斷與分類植物病害。

不過病害診斷仍具挑戰性，例如需要考慮陰影、亮度變化、背景雜訊與遮擋、病徵隨時間變化、不同病害相似性高，以及跨資料庫影像特徵不一致等問題

導讀結論

此論文講述了特徵工程的資料處理，設計特徵模型與分類模型的不同組合方式，再透過MLP來進行深度學習，此架構展現了良好的準確率表現，以及高彈性的調整方式。後續視覺化了260種組合的準確度，驗證了模型在多特徵以及多分類器下的優異表現，

因此這篇論文可以讓研究者更了解，深度學習的資料準備前置工作，以及混淆矩陣(confusion matrix)這項評估指標，再到後續如何透過不同實驗結果的比較，來驗證了不同組合所能帶來的影響，從而比較了不同特徵模型與分類器的表現。

資料集

該研究旨在對農場和實驗室條件下的番茄葉片病害進行診斷和分類。所提出的方法結合使用了兩個資料庫，包括 Plantvillage 和台灣番茄葉片。

Plantvillage 資 料庫包含⼗個類別（九個疾病類別及⼀個健康類別），台灣番茄葉⽚資料庫則有六個 類別（五個疾病類別及⼀個健康類別）

兩個資料庫的影像均調整為 256 × 256，並使⽤兩個資料 庫的增強影像。具備數據增強的兩個資料庫影像數量如表 5 所⽰

台灣番茄葉片和 Plantvillage 資料庫中包含 12 個病害類別和 1 個健康類別，每個類別包含資料增強影像數量。

其中 80%⽤於訓 練，20%⽤於測試

方法

在講架構之前，這裡有本次研究所使用到的現有的特徵提取模型，這裡簡稱為模型A、B、C、D，以及分類模型RF, SVM, LR, K-NN，後續會不斷提及這些關鍵字

特徵提取模型

主要使用到現有的特徵提取模型有 A: K-means 聚類 B: 對比度增強、對顏色、紋理、幾何特徵進行特徵提取 C: 陰影去除以及尺度固定特徵轉換 D: 背景去除，去除圖像雜訊，進行影像對比增強

分類器模型

使用到的四種分類模型分別有 RF, SVM, LR, K-NN

架構

主要有三個流程分別是預前數據處理、特徵提取、分類器，透過不同的組合規則進⾏檢驗，最終使用MLP來進行最終預測

該研究透過不同特徵提取與分類器選擇，進行了多達260種的組合策略

評估

這部分是經典的準確度與精確度的評估方式，使用在很多論文中

準確度的評估方式為，計算正確地預測出病害樣本TP，正確的預測出健康樣本TN，再除以所有檢測出的樣本總數

模型的預測結果分為四種狀態 TP: 正確地預測出病害樣本 TN: 正確的預測出健康樣本 FP: 錯誤的預測出病害樣本 FN: 錯誤的預測出健康樣本

準確度（Accuracy）

模型正確地預測為病害樣本（TP）與健康樣本（TN）的總數，除以所有樣本總數。

$$\text{Accuracy} = \frac{TP + TN}{TP + TN + FP + FN}$$

精確度(Precision)

精確度衡量的是被模型判定為病害樣本中，有多少是真的病害樣本，指被判定出病害的樣本數，公式表達為TP正確除以預測病害總數

$$\text{Precision} = \frac{TP}{TP + FP}$$

結果評估

本論文透過基本的固定數與控制條件變數來觀測訓練結果，最終找出當前最佳準確度模型，實驗評估多達260種組合。

第⼀次⽐較

使用了相同特徵模型與相同分類器來進行比較

預測1到預測4中，特徵模型順序為 A、B、C、D 使用 RF分類器

後續至預測20中，每一次循環都使用不同的分類器，分別為RF、LR、K-NN、SVM

實驗透過固定分類器的組合，指改變特徵模型的組合來觀測，A、B、C、D之間的關係

第⼆次⽐較

使用了4種不同的特徵模型與相同分類器

第二次則是與第一次相反，透過固定特徵模型( A、B、C、D )來觀測不同分類器(RF、LR、K-NN、SVM)之間的關係

第三次⽐較

使用了4種不同的特徵模型與4種不同的分類器

這是重要的一次比較，因為從結果得出了最高的精確度，該組合為 Predict 35 （A + LR、B + K-NN、C + RF、D + SVM）

因此，這也表示四種模型＋四種分類器的設計，提供最大的特徵多樣性與最高的準確度

其他多次比較

後續的比較總數多達260種組合，後續的評估比較都為了更好的支撐，組合多樣性的觀點，最終得出以模型多樣性的特徵模型與分類器的組合，可以達到最高準確度。

其他深度學習模型的⽐較

比較其他深度模型(Efficient B4、Xception、DenseNet169 InceptionResNetV2)的運行效能，與該研究所提出的集成策略模型，結果表示在硬已的限制下，運用集成策略明顯的降低了運行推理時間和不同組合彈性，並且仍可達到高度準確率的成果，這也使的農場可以在硬體的限制下，順利執行番茄病害檢測任務

論文結論

根據此論文敘述， 該研究在分類實驗室和⽥野環境中 13 種番茄疾病類別，並使⽤了兩個資料庫，包括 Plant Village 與台灣番茄葉片

在 260 個案例中，藉由建⽴預處理、特徵以及不同分類⽅式與 MLP 結合規則，能夠以 95.98% 的精準度分類，模型的訓練時間僅需 74.3 分鐘，比深度模型更快

提出在未來，可透過創造不同的多樣性，或改變分類器數量來檢驗所提出的⽅法