深度学习和可解释的AI用于对马叶病的分类
Sarah M Alhammad1, Doaa Sami Khafaga1, Walaa M El-Hady2
1Department of Computer Sciences, College of Computer and Information Sciences, Princess Nourah bint Abdulrahman University, Riyadh, Saudi Arabia.
Frontiers in artificial intelligence
|February 18, 2025
概括
这项研究引入了一种先进的深度学习模型,用于使用转移学习和可解释AI (XAI) 来分类马叶病. 该模型实现了高精度,有助于作物健康管理.
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:
- 准确的土豆叶病分类对于作物健康和生产率至关重要.
- 现有的方法可能缺乏透明度,并且在有限的数据上扎.
研究的目的:
- 通过深度学习开发一种统一的方法来对马叶病进行分类.
- 整合可解释的人工智能 (XAI) 以实现模型可解释性和信任.
- 提高预测性能和农业整合.
主要方法:
- 基于转移学习的深度学习模型被开发用于马叶病的分类.
- 应用了可解释的AI技术,特别是梯度加权类激活映射 (Grad-CAM).
- 该模型在公开可用的土豆叶病数据集上进行了训练和验证.
主要成果:
- 该模型实现了97%的验证准确率和98%的测试准确率.
- 可解释的人工智能为模型的决策过程提供了可解释的见解.
- 该方法在分类土豆叶病方面表现出有效性.
结论:
- 拟议的模型有效地以高准确度对土豆叶病进行了分类.
- 可解释的人工智能提高了农业深度学习模型的透明度和可用性.
- 这种统一的方法支持改善作物管理和疾病识别.
