LeafSightX:説明可能な注意力強化CNN融合モデルで,リンゴの葉の病気を特定する
Md Ehsanul Haque1, Fahmid Al Farid2, Md Kamrul Siam3
1Department of Computer Science and Engineering, East West University, Dhaka, Bangladesh.
Frontiers in artificial intelligence
|February 16, 2026
まとめ
LeafSightXは,マルチヘッド・セルフ・アテンションを備えたデュアル・バックボーン・ディープ・ラーニング・モデルを使用して,リンゴの葉の病気を正確に特定します. このAIシステムは,精密農業アプリケーションの高精度およびリアルタイムパフォーマンスを実現します.
科学分野:
- 農業科学 農業科学とは
- コンピュータサイエンス コンピュータサイエンス
- 人工知能 (AI) とは,人工知能 (AI) のことです.
背景:
- リンゴの葉の病気を正確に特定することは,収穫の損失を防ぐために,精密農業に不可欠です.
- 既存のディープラーニングモデルは,多くの場合,現実世界の適用性,解釈性,統計的検証が欠けている.
研究 の 目的:
- リンゴの葉の病気の正確で解釈可能な識別のための新しいディープラーニングフレームワークであるLeafSightXの開発と検証.
- 専門的な事前処理,限られたデータ増強,説明可能なAI技術を通じてモデルの回復力と透明性を高める.
主な方法:
- LeafSightXは,DenseNet201とInceptionV3をMulti-Head Self-Attention (MHSA) と組み合わせたデュアルバックボーンアーキテクチャを採用しています.
- このフレームワークには,専門的な事前処理,限られたデータ拡張,説明可能なAI (XAI) のGrad-CAMが含まれています.
- 厳格な評価には,5つのクラスのリンゴ葉病のデータセットと,頑丈性テストのための独立したデータセットが含まれていました.
主要な成果:
- LeafSightXは,プライマリデータセットで99.64%のテスト精度と0.9962のF1スコアを達成しました.
- AUCとPR-AUCのスコアは1,000に達し,クロス検証されたCohen's Kappa (平均=0.9917) は高い一貫性を示した.
- モデルはリアルタイム推論能力を実証し,独立したデータセットで99.69%の精度を達成し,堅実性と一般化を証明しました.
結論:
- LeafSightXは,精密農業におけるリンゴの葉の病気の特定のために,非常に正確で,解釈しやすく,堅牢なソリューションを提供します.
- フレームワークのリアルタイムパフォーマンスと汎用化機能は,農業におけるAIの実用的なアプリケーションをサポートします.
- この厳格に評価されたシステムは,AI主導の植物病管理のための再現可能な基盤を提供します.
キーワード:
デンセネット201インセプションV3リンゴの葉の病はリンゴの葉の病です.巻き込みニューラルネットワーク (CNN)説明可能な人工知能 (XAI)マルチヘッド・セルフアテンション (MHSA)植物病の検出 植物病の検出精密農業 精密農業についてさらに関連する動画
08:47Author Spotlight: UAV Remote Sensing for Efficient Invasive Plant Biomass Estimation
Published on: February 9, 2024
2.1K
06:11Author Spotlight: Improved Methods for Preparing Transverse Sections and Unrolled Whole Mounts of Maize Leaf Primordia for Fluorescence and Confocal Imaging
Published on: September 22, 2023
4.3K
