CSXAI:一种轻量级的2D CNN-SVM模型,用于检测和分类各种作物疾病,并具有可解释的AI可视化

科学领域:

• 农业科学 农业科学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 植物疾病对全球农业构成重大威胁,影响作物生产率和质量.
• 手动识别植物疾病往往耗时且容易出现错误.
• 准确而有效的疾病分类对于有效的作物管理至关重要.

研究的目的:

• 开发和评估混合卷积神经网络-支持矢量机 (CNN-SVM) 模型,用于分类植物疾病.
• 将CNN-SVM模型的性能与几个预训练的深度学习模型进行比较.
• 在经济重要作物中提高植物疾病识别的准确性和效率.

主要方法:

• 一种混合CNN-SVM模型被开发用于植物疾病分类.
• 该模型被训练成分类10类疾病 (6病,4健康) 在草,桃子,桃和大豆中.
• 性能与预先训练的模型 (如VGG16,VGG19,DenseNet等) 相比进行了评估.
• 梯度加权类激活映射 (Grad-CAM) 用于视觉解释性.

主要成果:

• 拟议的CNN-SVM模型实现了99.09%的平均精度,超过了许多预训练模型.
• 该模型展示了卓越的性能指标,包括99%的F1得分,99.98%的曲线下面面积 (AUC) 和99%的精度.
• CNN-SVM模型的准确性与VGG16相似,但可训练的参数显著减少,表明效率更高.
• 格拉德-CAM生成了热图,可视化突出了受疾病影响的地区,并验证了模型的可解释性.

结论:

• CNN-SVM混合模型对于准确高效的植物疾病分类是非常有效的.
• 这种方法为改善农业疾病检测提供了一个有希望的解决方案.
• 通过Grad-CAM模型的可解释性提高了对其预测的信任和理解.