Video Experimental Relacionado
Updated: Mar 23, 2026
05:03
Remote Sensing Evaluation of Two-spotted Spider Mite Damage on Greenhouse Cotton
Published on: April 28, 2017
8.9K
Marco de transformador explicable para diagnósticos rápidos de hojas de algodón y detección de defectos de tejido
S M Masfequier Rahman Swapno1, Anamul Sakib2, Al Shahriar Uddin Khondakar Pranta3
1Department Of Computer Science and Engineering, Bangladesh University of Business and Technology, Dhaka 1216, Bangladesh.
iScience
|February 20, 2026
Resumen
Un nuevo modelo híbrido de aprendizaje profundo clasifica con precisión las enfermedades de la hoja de algodón y los defectos de la tela utilizando Explainable AI (XAI). Este marco eficiente ofrece un alto rendimiento para la evaluación de la calidad agrícola y textil.
Área de la Ciencia:
- La inteligencia artificial es inteligencia artificial.
- Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador Visión por ordenador
- Aprendizaje automático Aprendizaje automático.
Sus antecedentes:
- La identificación precisa de las enfermedades de las hojas de algodón y de los defectos de los tejidos es crucial para el rendimiento agrícola y la calidad textil.
- Los modelos de IA existentes a menudo carecen de interpretabilidad o eficiencia computacional.
Objetivo del estudio:
- Desarrollar un modelo híbrido de aprendizaje profundo que combine CNNs y Vision Transformers para clasificar enfermedades de la hoja de algodón y defectos de tejido.
- Para mejorar la interpretabilidad del modelo utilizando técnicas de IA Explicable (XAI).
- Lograr una alta precisión y eficiencia computacional en la evaluación de la calidad impulsada por la IA.
Principales métodos:
- Un modelo híbrido de aprendizaje profundo que integra la extracción de características jerárquicas basadas en CNN y la autoatención de Vision Transformer (XCottL-FebViT).
- Aplicación de la IA explicable (XAI) para mejorar la interpretabilidad del modelo.
- Optimización de hiperparámetros para la eficiencia computacional.
- Evaluación en cuatro conjuntos de datos de referencia: CottonLeafNet, SAR-CLD, CottonFabricImageBD y FabricSpotDefect.Evaluación en cuatro conjuntos de datos de referencia: CottonLeafNet, SAR-CLD, CottonFabricImageBD y FabricSpotDefect.Evaluación en cuatro conjuntos de datos de referencia: CottonLeafNet, SAR-CLD y FabricSpotDefect.Evaluación en cuatro conjuntos de datos de referencia: CottonLeafNet, SAR-CLD y FabricSpotDefect.
Principales resultados:
- XCottL-FebViT demostró un rendimiento superior en comparación con los modelos basados en transformadores existentes.
- Alcanzó altas precisiones de capacitación y validación (por ejemplo, 99.97% de capacitación y 99.93% de validación para CottonLeafNet).
- Mejoras consistentes en la precisión, MCC y F1 Score en todos los conjuntos de datos.
Conclusiones:
- El modelo XCottL-FebViT propuesto ofrece una solución altamente precisa, interpretable y computacionalmente eficiente para detectar enfermedades de las hojas de algodón y defectos de tejido.
- La integración de XAI facilita una mejor comprensión y confianza en las decisiones de IA para los expertos en el dominio.
- Una aplicación práctica basada en la web permite el despliegue remoto para la evaluación de la calidad en el mundo real en la agricultura y los textiles.
