Fuzzy-guided hyperparameter optimization for efficient CNN-based plant disease classification
Medhat Hamdy · Heba M. Elhoseny · Fathi E. Abd El‐Samie 等 6 人
提出模糊推理系统引导的CNN超参数优化方法，用于植物病害分类，兼顾精度与效率。
Mamdani模糊推理系统结合部分训练与热启动权重，在四个公开病害数据集上优化A
相比传统穷举搜索，精度等指标最高提升29%，且超参数排序可解释、计算成本更低。
可将模糊多目标HPO迁移到轻量边缘设备或跨作物迁移学习场景，探索动态超参数自适应机制。
提出模糊推理系统驱动的多目标超参数优化方法，在四个公开植物病害数据集上显著提升CNN分类性能，兼具方法新颖性与农业落地价值。
深度卷积神经网络（DCNN）在植物病害分类中表现出卓越的性能。然而，其有效性极易受到超参数选择的影响。高效超参数优化（HPO）仍然是将深度学习模型部署于植物病害分类中的一个基本挑战，因为实施网格搜索、贝叶斯优化（BO）和进化算法等大规模搜索技术需要相当大的计算成本。这类传统HPO方法通常依赖单目标适应度标准，并且需要大量计算资源。此外，这些方法在决策过程中往往缺乏可解释性。在本研究中，我们提出了一种基于模糊推理系统（FIS）的HPO方法，将Mamdani FIS集成到DCNN的超参数选择过程中。该方法在保持分类精度的同时，加快了超参数选择过程。候选配置基于多个因素进行评估，包括验证准确率、验证损失和训练时间，而不是仅基于单一因素进行评估。这些因素通过模糊语言规则组合为一个单一的清晰适应度分数，从而提供透明、可解释且多目标的决策。为了最小化计算成本，候选超参数首先通过一种快速部分训练方法进行评估，该方法利用冻结的卷积层和热启动权重。随后，使用Mamdani FIS聚合包括准确率、损失和训练时间在内的性能指标，生成用于候选排序的清晰分数。之后，对所选超参数进行完全端到端训练，从而相对于最先进的穷举搜索技术取得更优的分类性能。实验在四个公开植物病害数据集上执行，采用基于AlexNet的架构，其中在启动模糊引导优化过程之前，首先在随机选择超参数配置的基线模型上进行实验。然后，使用由模糊引导优化过程选出的最佳优化超参数配置运行模型，在准确率、精确率、召回率和F1分数上最高提升29%，同时实现可靠且可理解的超参数排序与优化。所获得的结果表明