通过深度神经架构和可解释的AI,对植物疾病进行强有力的诊断和元可视化
Sasikaladevi Natarajan1, Prasun Chakrabarti2, Martin Margala3
1Department of Computer Science and Engineering, School of Computing, SASTRA Deemed University, Thanjavur, TamilNadu, 613401, India. sasikalade@gmail.com.
Scientific reports
|June 13, 2024
概括
这项研究引入了一个深度学习模型,用于快速准确地识别植物疾病,这对粮食安全至关重要. 先进的卷积神经网络实现了99.95%的准确性,超过了现有的方法.
科学领域:
- 计算机视觉 计算机视觉
- 植物病理学 植物病理学
- 人工智能的人工智能
背景情况:
- 植物病严重威胁全球粮食安全,需要准确高效的诊断工具.
- 传统的植物疾病识别方法往往缺乏必要的基础设施和精度.
- 深度学习和计算机视觉方面的进步为自动化植物病理诊断提供了有希望的解决方案.
研究的目的:
- 提出一种新的深卷积神经网络 (CNN) 模型,用于快速准确地识别植物疾病.
- 开发一种可解释的深度神经架构,专门用于植物疾病识别.
- 为了提高植物疾病检测的稳定性,尽管图像纹理和颜色的变化很小.
主要方法:
- 通过冷初始层并调整重量,开发出精心调整的深卷积神经网络 (CNN).
- 深度特征是从微调CNN的向下采样特征地图中提取的.
- 使用定制的K-近邻 (KNN) 算法来对提取的深度特征进行分类.
- 该模型使用广泛的PlantVillage数据集进行训练和验证,包括38个植物疾病类别.
主要成果:
- 拟议的深度学习模型实现了99.95%的最大验证准确性.
- 该系统显示曲线下的面积 (AUC) 为1,表明了完美的分类性能.
- 该模型在植物疾病识别方面显著优于当前最先进的深度学习方法.
结论:
- 开发的深度学习方法为自动化植物疾病诊断提供了高度准确和高效的解决方案.
- 这项研究突出了可解释AI在解决关键农业挑战方面的潜力.
- 该模型的卓越性能为通过早期疾病检测来保障粮食安全提供了一个有希望的工具.
