医薬品葉病分類のための軽量ハイブリッドCNNおよびトランスフォーマーモデルと説明可能なAI

科学分野:

• 農業科学
• コンピューターサイエンス
• バイオテクノロジー

背景:

• Tulsi、Neem、Patharkuchiなどの薬用植物は、生物活性化合物にとって不可欠です。
• 葉の病気は、これらの植物の収量と植物化学的品質に大きな脅威をもたらします。

研究 の 目的:

• 薬用植物の葉の病気を特定するための効率的で正確なディープラーニングモデルを開発すること。
• 精密植物病理学と持続可能な栽培慣行のベンチマークを確立すること。

主な方法:

• Squeeze-and-Excitation（SE）ブロックを備えた軽量ハイブリッド畳み込みニューラルネットワーク（CNN）トランスフォーマーアーキテクチャであるLSeTNetを提案しました。
• モデルの解釈可能性のために、Grad-CAM、LIME、t-SNEなどの説明可能な人工知能（XAI）技術を利用しました。
• 5倍のクロスバリデーションとBD-MediLeavesデータセットでの外部テストを含む厳格な検証を実施しました。

主要な成果:

• パラメータ（9.38 M）と計算（2.50 GFLOPs）を最小限に抑えながら、12の疾患クラスで99.72％の精度と1.00のマクロF1スコアを達成しました。
• クロスバリデーションで99.74％、独立したデータセットで99.42％の堅牢なパフォーマンスを示しました。
• XAIメソッドは、モデルが病変領域に焦点を当てていることを確認し、低い推論レイテンシ（6.98 ms/image）によりリアルタイムのエッジ展開が可能になります。

結論:

• LSeTNetは既存のモデルを大幅に上回り、植物病検出のための透明で効率的で一般化可能なソリューションを提供します。
• このモデルは、持続可能な薬用植物栽培と精密植物病理学に不可欠なリアルタイムのエッジベースアプリケーションをサポートします。