基于混合元启发式算法的卷积神经网络优化在番茄叶病分类中的应用

《Scientific Reports》：Hybrid metaheuristic optimization of convolutional neural networks for tomato leaf disease classification

　　

摘要

卷积神经网络（CNN）被广泛用于植物病害检测，但其性能受到超参数选择的显著影响。传统的手动调整或随机搜索方法效率低下，可能导致次优解。在这项研究中，我们提出了四种混合元启发式策略，并对其进行了评估：蚂蚁狮优化器与鲸鱼优化算法（ALO-WOA）结合、蚂蚁狮优化器与蜻蜓算法（ALO-DA）结合、蚂蚁狮优化器与粒子群优化算法（ALO-PSO）结合，以及粒子群优化算法与鲸鱼优化算法（PSO-WOA）结合，用于CNN的超参数自动调整。这些方法应用于一个包含21,421张训练图像、4,586张验证图像和4,602张测试图像的番茄叶病数据集，该数据集涵盖了10个类别。CNN的架构固定为三个卷积层，并可调整dropout率和学习率。实验结果表明，ALO-DA取得了最高的测试准确率（97.83%），其次是ALO-WOA（97.67%）和PSO-WOA（97.52%），而ALO-PSO的准确率为95.26%。这些发现表明，与单一优化器相比，混合元启发式策略能够更有效地改进CNN的超参数搜索，更平衡地实现探索与利用。文章还讨论了研究的局限性和未来研究方向。